| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 医学图像分割面临的挑战 | 第12-13页 |
| 1.2.1 医学图像与自然图像的区别 | 第12页 |
| 1.2.2 医学图像分割的特点 | 第12-13页 |
| 1.2.3 医学图像分割面临的挑战 | 第13页 |
| 1.3 国内外研究现状 | 第13-18页 |
| 1.4 本文研究内容及结构安排 | 第18-21页 |
| 第二章 基于深度学习的图像分割技术 | 第21-33页 |
| 2.1 人工神经网络 | 第21-23页 |
| 2.2 卷积神经网络 | 第23-26页 |
| 2.2.1 卷积运算 | 第24-25页 |
| 2.2.2 局部连接和权值共享 | 第25-26页 |
| 2.3 基于深度学习的图像分割算法 | 第26-31页 |
| 2.3.1 FCN | 第26-28页 |
| 2.3.2 PSPNet | 第28-29页 |
| 2.3.3 DeepLab | 第29-31页 |
| 2.4 图像分割算法常用评价指标 | 第31-32页 |
| 2.5 小结 | 第32-33页 |
| 第三章 基于U-Net神经网络的肺结点分割 | 第33-45页 |
| 3.1 U-Net | 第34页 |
| 3.2 网络结构 | 第34-38页 |
| 3.2.1 基础结构 | 第35-36页 |
| 3.2.2 分割网络结构 | 第36-37页 |
| 3.2.3 假阳性衰减网络结构 | 第37-38页 |
| 3.3 实现细节 | 第38-44页 |
| 3.3.1 损失函数 | 第38-39页 |
| 3.3.2 分割网络的训练与测试 | 第39-42页 |
| 3.3.3 假阳性衰减网络的训练 | 第42-44页 |
| 3.4 小结 | 第44-45页 |
| 第四章 基于Dilation卷积的肺结点分割 | 第45-50页 |
| 4.1 Dilation卷积 | 第45-46页 |
| 4.2 Dilation卷积的Gridding效应 | 第46页 |
| 4.3 Dilation模块设计 | 第46-47页 |
| 4.4 实现细节 | 第47-49页 |
| 4.5 小结 | 第49-50页 |
| 第五章 实验结果分析 | 第50-57页 |
| 5.1 FROC | 第50-51页 |
| 5.2 分割网络实验结果分析 | 第51-53页 |
| 5.2.1 数据预处理albation实验 | 第51-52页 |
| 5.2.2 skip-connection对结果的影响 | 第52-53页 |
| 5.3 假阳性衰减实验结果分析 | 第53页 |
| 5.4 LUNA16数据集结果分析 | 第53-56页 |
| 5.4.1 LUNA16数据集简介 | 第53-54页 |
| 5.4.2 实验结果 | 第54-56页 |
| 5.5 小结 | 第56-57页 |
| 第六章 总结和展望 | 第57-59页 |
| 6.1 总结 | 第57页 |
| 6.2 展望 | 第57-59页 |
| 参考文献 | 第59-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间取得的研究成果 | 第65页 |