1、一篇完整的醫(yī)學(xué)博士論文范文

　　題目：面向醫(yī)學(xué)圖像的神經(jīng)網(wǎng)絡(luò)模型魯棒性研究

　　摘要：隨著深度學(xué)習(xí)理論的發(fā)展,深度學(xué)習(xí)模型在醫(yī)學(xué)圖像和信號處理、計算機輔助檢測與診斷、臨床決策與支持等方面取得了較大的進展,甚至在醫(yī)學(xué)圖像診斷的某些方面的表現(xiàn)與醫(yī)學(xué)專家不相上下,從而極大推動人工智能技術(shù)在醫(yī)學(xué)領(lǐng)域中的應(yīng)用。但是深度學(xué)習(xí)模型容易被攻擊的問題導(dǎo)致診斷模型魯棒性下降,從而限制深度學(xué)習(xí)技術(shù)在醫(yī)學(xué)圖像分析領(lǐng)域的廣泛應(yīng)用。為解決該問題,研究如何提升深度學(xué)習(xí)(或神經(jīng)網(wǎng)絡(luò)模型)在醫(yī)學(xué)圖像診斷中的魯棒性,對提升智能診斷模型的安全性、增加模型的可解釋性、輔助臨床醫(yī)生對疾病診療機理的認識等方面具有重要應(yīng)用價值。 由于自然圖像和醫(yī)學(xué)圖像存在很多不同的特性差異,所以無法直接將面向自然圖像的對抗攻擊和對抗防御方法移植應(yīng)用于醫(yī)學(xué)影像智能診斷神經(jīng)網(wǎng)絡(luò)模型以提高魯棒性。為研究深度學(xué)習(xí)模型在醫(yī)學(xué)圖像診斷中的魯棒性,本文主要探索基于改進的像素攻擊方法和基于因果推斷的防御策略。首先,研究像素攻擊方法對面向醫(yī)學(xué)圖像的深度學(xué)習(xí)模型的攻擊,驗證面向醫(yī)學(xué)圖像的深度學(xué)習(xí)模型的不穩(wěn)定性(低魯棒性),揭示具有高置信度的樣本仍然有可能存在敏感像素被干擾從而變?yōu)閷�抗樣本的情況,驗證了提高面對醫(yī)學(xué)圖像的深度模型魯棒性的必要性。然后,基于... 更多

　　關(guān)鍵詞： 魯棒性;減群差分進化攻擊;因果特征表征;因果表征自動編碼器;因果推斷深度學(xué)習(xí)模型;

　　相關(guān)閱讀推薦：博士畢業(yè)需要發(fā)表幾篇sci論文 博士論文發(fā)表sci期刊目錄

　　2、一篇完整的醫(yī)學(xué)博士論文模板　　

　　文章目錄

　　摘要

　　Abstract

　　第一章 緒論

　　1.1 研究背景與意義

　　1.1.1 研究背景

　　1.1.1.1 深度學(xué)習(xí)中的對抗攻擊現(xiàn)象

　　1.1.1.2 自然圖像和醫(yī)學(xué)圖像的區(qū)別

　　1.1.2 研究意義

　　1.2 研究動態(tài)

　　1.2.1 對抗攻擊

　　1.2.1.1 白盒攻擊方法

　　1.2.1.2 黑盒攻擊方法

　　1.2.2 對抗防御

　　1.3 研究趨勢

　　1.3.1 對抗攻擊的研究趨勢

　　1.3.2 對抗防御的研究趨勢

　　1.4 關(guān)鍵問題與研究目標(biāo)

　　1.4.1 關(guān)鍵問題

　　1.4.2 研究目標(biāo)

　　1.5 研究內(nèi)容與成果

　　1.6 論文組織結(jié)構(gòu)

　　第二章 研究基礎(chǔ)

　　2.1 數(shù)據(jù)集

　　2.1.1 分類問題所用數(shù)據(jù)集

　　2.1.2 分類問題數(shù)據(jù)集的預(yù)處理

　　2.1.3 腦瘤分割數(shù)據(jù)集

　　2.2 基本模型

　　2.2.1 自編碼網(wǎng)絡(luò)

　　2.2.2 殘差網(wǎng)絡(luò)

　　2.2.3 分割模型

　　2.3 評價標(biāo)準(zhǔn)

　　2.3.1 模型魯棒性

　　2.3.2 攻擊成功率

　　2.3.3 防御成功率

　　2.3.4 接受者操作特征曲線下面積

　　2.3.5 分割評價標(biāo)準(zhǔn)

　　2.4 相關(guān)研究工作

　　2.4.1 差分進化算法

　　2.4.2 因果表征學(xué)習(xí)

　　2.4.3 因果推斷

　　2.5 本章小結(jié)

　　第三章 醫(yī)學(xué)圖像中基于差分進化算法的像素攻擊方法

　　3.1 引言

　　3.2 對抗攻擊的問題描述

　　3.3 基于減群差分進化方法的分類攻擊方法

　　3.3.1 減群差分進化方法

　　3.3.2 實驗與結(jié)果

　　3.3.3 討論與小結(jié)

　　3.4 動態(tài)差分演化樣本攻擊

　　3.4.1 SHADE和EBLSHADE算法

　　3.4.2 分類模型的動態(tài)差分演化攻擊實驗結(jié)果與分析

　　3.4.3 語義分割模型的動態(tài)差分演化攻擊實驗結(jié)果與分析

　　3.4.4 討論與總結(jié)

　　3.5 本章小結(jié)

　　第四章 基于自編碼器的醫(yī)學(xué)圖像因果表征學(xué)習(xí)方法

　　4.1 引言

　　4.2 因果關(guān)系的相關(guān)概念

　　4.2.1 非獨立同分布條件下的預(yù)測能力

　　4.2.2 在分布偏移或干預(yù)條件下預(yù)測的能力

　　4.2.3 回答反事實問題的能力

　　4.3 基于因果推斷的因果特征解耦

　　4.3.1 結(jié)構(gòu)因果模型

　　4.3.2 統(tǒng)計模型、因果圖形模型和SCM之間的差異

　　4.3.3 do算子

　　4.3.4 相關(guān)變量解糾纏

　　4.4 CausalAE模型

　　4.4.1 模型結(jié)構(gòu)

　　4.5 實驗結(jié)果與討論

　　4.5.1 重建圖像分類準(zhǔn)確率

　　4.5.2 因果推斷自編碼網(wǎng)絡(luò)的重建圖像分析

　　4.6 本章小結(jié)

　　第五章 醫(yī)學(xué)圖像中基于因果推斷殘差網(wǎng)絡(luò)的防御策略

　　5.1 引言

　　5.2 基于殘差神經(jīng)網(wǎng)絡(luò)框架的因果推斷分類模型

　　5.2.1 深度學(xué)習(xí)模型的特征冗余

　　5.2.2 因果推斷殘差網(wǎng)絡(luò)

　　5.3 實驗與分析

　　5.3.1 實驗方案

　　5.3.2 防御快速梯度符號攻擊

　　5.3.2.1 快速梯度符號攻擊方法

　　5.3.2.2 因果推斷殘差網(wǎng)絡(luò)防御快速梯度符號攻擊

　　5.3.3 防御像素攻擊

　　5.3.3.1 像素攻擊方法

　　5.3.3.2 因果推斷殘差網(wǎng)絡(luò)防御像素攻擊

　　5.3.4 防御效果分析

　　5.3.4.1 因果推斷殘差網(wǎng)絡(luò)分類正常樣本準(zhǔn)確率分析

　　5.3.4.2 因果推斷殘差網(wǎng)絡(luò)防御快速梯度符號攻擊效果分析

　　5.3.4.3 因果推斷殘差網(wǎng)絡(luò)防御像素攻擊效果分析

　　5.3.5 實驗小結(jié)

　　5.4 本章小結(jié)

　　第六章 總結(jié)與展望

　　6.1 工作總結(jié)

　　6.2 研究展望

　　參考文獻

---

轉(zhuǎn)載請注明來自：http://www.jinnzone.com/qikanzhishi/79663.html