1. 研究目的与意义（文献综述）

随着深度学习的不断发展，无论是在理论还是构架方面都已经逐渐成熟。从最开始lenet5层简单的卷积神经网络，发展到现在复杂多变的深度神经网络，深度学习的研究逐步加深，已经充分涉及到许多领域，如淘宝客户需求分析、电影推荐系统等等，大数据已经出现在了人们的生活之中。然而，就目前而言，国内外的深度学习发展很少进入医疗领域，一是因为标准的人工数据库匮乏，医院病人的数据因为隐私问题很少公开化，而且数据存留的方法也不统一，使用困难；另一方面医疗图像较为复杂，常见的神经网络不能有效从中提取数据特征，在技术理论方面还未能满足要求。

在医学领域，胸部x射线检查是许多胸腔内疾病筛查和诊断的常用放射学检查法之一。许多现代医院的图像存档和pacs中储存了大量的x射线成像研究和放射学报告都未曾使用研究，这些大规模的ct图片对于数据集紧缺的深度学习领域无疑是一种浪费。而且，在医疗行业，如何将这种宝贵的成像数据用于深度学习以构建大型数据库高精度计算机辅助诊断系统，这是一个很难的问题。

2. 研究的基本内容与方案

（一）研究的基本内容

（1）熟悉胸部ct数据库，对数据库选择合理的训练测试划分

（2）学习理解深度残差网络（resnet）的框架

3. 研究计划与安排

2018年2月-2018年3月15日：查阅相关资料并完成开题报告。

2018年3月15日-2018年3月30日：完成抓取特征区域的神经网络设计方法

2018年4月1日-2018年4月30日：完成整体网络框架的搭建及模型的训练检测

4. 参考文献（12篇以上）

[1] xiaosong wang, yifan peng, le lu,zhiyong lu, mohammadhadi bagheri and ronald m.summers: chestx-ray8:hospital-scale chest x-ray database and benchmarks on weakly-supervisedclassification and localization of common thorax diseases. in: cvpr(2017)2097-2106.

[2] thomas schlegl, philipp seebock,sebastian m. waldstein, ursula schmidt-erfurth and georg langs: unsupervisedanomaly detection with generative adversarial networks to guide markerdiscovery. arxiv preprint arxiv:1703.05921, 2017.

[3] fei wang, mengqing jiang, chen qian,shuo yang, cheng li, honggang zhang, xiaogang wang and xiaou tang: residualattention network for image classification. arxiv preprint arxiv:1704.06904,2017.