基于深度学习的医学影像分割技术研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 缩略词表 | 第14-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究工作的背景与意义 | 第15-16页 |
| 1.2 国内外研究历史与现状 | 第16-18页 |
| 1.3 本文的主要内容与创新 | 第18-19页 |
| 1.4 本文的结构安排及数据来源 | 第19-21页 |
| 第二章 医学图像处理技术基础 | 第21-40页 |
| 2.1 超声图像概述 | 第21-24页 |
| 2.1.1 超声技术原理及分类 | 第21-22页 |
| 2.1.2 超声技术特点 | 第22-23页 |
| 2.1.3 超声图像在医学诊断中的应用 | 第23-24页 |
| 2.2 传统图像分割方法 | 第24-27页 |
| 2.2.1 基于图像形态的方法 | 第24-26页 |
| 2.2.2 基于能量泛函的方法 | 第26-27页 |
| 2.3 基于深度学习的图像分割方法 | 第27-35页 |
| 2.3.1 卷积神经网络 | 第27-31页 |
| 2.3.2 全卷积神经网络 | 第31-35页 |
| 2.4 评价指标与损失函数 | 第35-38页 |
| 2.4.1 评价指标 | 第35-36页 |
| 2.4.2 损失函数 | 第36-38页 |
| 2.5 本章小结 | 第38-40页 |
| 第三章 超声图像的预处理方法研究 | 第40-55页 |
| 3.1 超声图像分割整体流程 | 第40-42页 |
| 3.2 数据准备 | 第42-44页 |
| 3.2.1 数据采集 | 第42-43页 |
| 3.2.2 标签制作 | 第43-44页 |
| 3.3 数据处理 | 第44-51页 |
| 3.3.1 导向滤波 | 第45-47页 |
| 3.3.2 直方图均衡化 | 第47-50页 |
| 3.3.3 Sobel边缘增强 | 第50-51页 |
| 3.4 数据增强 | 第51-54页 |
| 3.5 本章小结 | 第54-55页 |
| 第四章 超声图像的分割算法研究 | 第55-76页 |
| 4.1 U-Net网络结构 | 第55-58页 |
| 4.1.1 算法介绍 | 第55-57页 |
| 4.1.2 实验分析 | 第57-58页 |
| 4.2 新型网络结构 | 第58-72页 |
| 4.2.1 密集卷积 | 第59-61页 |
| 4.2.2 注意力机制 | 第61-64页 |
| 4.2.3 金字塔池化 | 第64-67页 |
| 4.2.4 DPA-UNet网络结构 | 第67-72页 |
| 4.3 实验结果与分析 | 第72-75页 |
| 4.4 本章小结 | 第75-76页 |
| 第五章 全文总结和展望 | 第76-78页 |
| 5.1 全文总结 | 第76-77页 |
| 5.2 后续工作展望 | 第77-78页 |
| 致谢 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 攻硕期间的研究成果 | 第83页 |
