| 摘要 | 第3-7页 |
| ABSTRACT | 第7-12页 |
| 第一章 绪论 | 第16-23页 |
| 1.1 课题背景及研究意义 | 第16-21页 |
| 1.1.1 课题背景 | 第16-20页 |
| 1.1.2 研究意义 | 第20-21页 |
| 1.2 本文研究内容和论文框架 | 第21-23页 |
| 1.2.1 研究内容 | 第21-22页 |
| 1.2.2 论文框架 | 第22-23页 |
| 第二章 脑肿瘤图像特征提取方法 | 第23-31页 |
| 2.1 纹理特征 | 第23-28页 |
| 2.1.1 统计方法 | 第23-24页 |
| 2.1.2 信号处理方法 | 第24-27页 |
| 2.1.3 模型方法 | 第27-28页 |
| 2.2 基于图谱先验知识的特征 | 第28-29页 |
| 2.3 基于对称性的特征 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 多模态3D-CNNs特征提取方法 | 第31-51页 |
| 3.1 卷积神经网络理论 | 第31-36页 |
| 3.1.1 全连接的反向传播算法 | 第31-33页 |
| 3.1.2 卷积神经网络 | 第33-36页 |
| 3.2 多模态3D-CNNs特征提取 | 第36-39页 |
| 3.2.1 多模态3D-CNNs模型 | 第36-37页 |
| 3.2.2 多模态3D-CNNs特征 | 第37-39页 |
| 3.3 基于多模态3D-CNNs特征提取的MRI脑肿瘤分割 | 第39-43页 |
| 3.3.1 图像去噪 | 第39-42页 |
| 3.3.2 特征提取和降维 | 第42-43页 |
| 3.3.3 分类器 | 第43页 |
| 3.4 实验结果与分析 | 第43-50页 |
| 3.4.1 参数范围确定 | 第44页 |
| 3.4.2 不同病人本文方法分析 | 第44-48页 |
| 3.4.3 与2D-CNNs方法比较 | 第48-49页 |
| 3.4.4 分割失败案例分析 | 第49-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 自适应加权混合核函数3D脑肿瘤分割 | 第51-60页 |
| 4.1 自适应加权混合核函数SVM | 第51-55页 |
| 4.1.1 混合核函数SVM基本原理 | 第51-53页 |
| 4.1.2 自适应加权混合核函数 | 第53-55页 |
| 4.2 基于优化混合核函数的MR图像脑肿瘤分割 | 第55页 |
| 4.2.1 特征提取和降维 | 第55页 |
| 4.2.2 分类器 | 第55页 |
| 4.3 实验结果及分析 | 第55-58页 |
| 4.3.1 参数范围确定 | 第56页 |
| 4.3.2 与其他核函数SVM分割方法的比较 | 第56-58页 |
| 4.3.3 与其他分割方法比较 | 第58页 |
| 4.4 本章小结 | 第58-60页 |
| 第五章 工作总结与展望 | 第60-62页 |
| 5.1 论文总结 | 第60页 |
| 5.2 工作展望 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间成果 | 第68-69页 |
| 致谢 | 第69-70页 |