基于神经网络的磁共振脑组织分割算法的研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-18页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 研究现状及发展趋势 | 第10-15页 |
| 1.2.1 深度学习的发展 | 第12-14页 |
| 1.2.2 医学图像分割技术的发展 | 第14-15页 |
| 1.3 研究内容与论文组织结构 | 第15-18页 |
| 1.3.1 研究内容与创新点 | 第15-16页 |
| 1.3.2 论文组织结构 | 第16-18页 |
| 2 论文相关技术研究 | 第18-26页 |
| 2.1 磁共振成像技术 | 第18页 |
| 2.2 深度学习 | 第18-22页 |
| 2.2.1 深度学习概述 | 第18-19页 |
| 2.2.2 反向传播算法 | 第19-21页 |
| 2.2.3 卷积神经网络 | 第21-22页 |
| 2.3 Python语言 | 第22页 |
| 2.4 深度学习框架Tensorflow | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 基于浅层神经网络的脑磁共振影像分割 | 第26-39页 |
| 3.1 多变换空间 | 第26-28页 |
| 3.1.1 熵变换 | 第26页 |
| 3.1.2 拉普拉斯变换 | 第26-27页 |
| 3.1.3 伽柏变换 | 第27-28页 |
| 3.2 实验步骤 | 第28-36页 |
| 3.2.1 数据集生成 | 第28-31页 |
| 3.2.2 网络搭建 | 第31-33页 |
| 3.2.3 网络训练 | 第33-35页 |
| 3.2.4 验证测试 | 第35-36页 |
| 3.3 实验结果与分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 3D全卷积神经网络初步分割 | 第39-48页 |
| 4.1 语义分割 | 第39-40页 |
| 4.1.1 基本概念 | 第39页 |
| 4.1.2 语义分割方法演进 | 第39-40页 |
| 4.2 初步语义标注网络设计 | 第40-43页 |
| 4.2.1 全卷积神经网络 | 第40-41页 |
| 4.2.2 跳跃结构优化输出 | 第41-42页 |
| 4.2.3 梯度消失解决方案 | 第42-43页 |
| 4.3 迁移学习 | 第43-46页 |
| 4.3.1 迁移学习基本概念 | 第43-44页 |
| 4.3.2 完整全卷积网络架构 | 第44-46页 |
| 4.4 本章小结 | 第46-48页 |
| 5 双向循环神经网络细化分割 | 第48-58页 |
| 5.1 循环神经网络 | 第48-53页 |
| 5.1.1 基本原理和架构 | 第48-50页 |
| 5.1.2 BPTT算法 | 第50-51页 |
| 5.1.3 长短期记忆网络 | 第51-53页 |
| 5.2 细化语义标注网络详细设计 | 第53-57页 |
| 5.2.1 双向长短期记忆网络(Bi-LSTM) | 第54-55页 |
| 5.2.2 序列化策略 Cube-Wise | 第55页 |
| 5.2.3 分层深度监督机制HiDS | 第55-57页 |
| 5.3 本章小结 | 第57-58页 |
| 6 基于深度学习的脑组织分割实验及结果 | 第58-65页 |
| 6.1 总体分割框架 | 第58页 |
| 6.2 实验数据集 | 第58-60页 |
| 6.3 实验步骤 | 第60-62页 |
| 6.3.1 数据预处理 | 第60-61页 |
| 6.3.2 网络搭建与训练 | 第61-62页 |
| 6.4 实验结果分析 | 第62-63页 |
| 6.5 本章小结 | 第63-65页 |
| 7 总结与展望 | 第65-67页 |
| 7.1 本文总结 | 第65页 |
| 7.2 未来展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 附录1 攻读硕士学位期间参与的项目和发表的论文 | 第72-73页 |
| 附录2 主要英文缩写语对照表 | 第73页 |
