首页--医药、卫生论文--肿瘤学论文--泌尿生殖器肿瘤论文--乳腺肿瘤论文

基于残差学习U型卷积神经网络的乳腺超声图像肿瘤分割研究

摘要第5-6页
ABSTRACT第6-7页
第一章 绪论第10-18页
    1.1 研究背景及意义第10-12页
    1.2 国内外研究现状第12-15页
        1.2.1 传统图像分割算法第12-14页
        1.2.2 基于深度学习的图像分割算法第14-15页
    1.3 论文主要工作第15-16页
    1.4 论文章节安排第16-18页
第二章 基于卷积神经网络的图像分割技术第18-34页
    2.1 卷积神经网络第18-28页
        2.1.1 基本结构第18-22页
        2.1.2 损失函数第22-24页
        2.1.3 训练算法第24-28页
    2.2 基于卷积神经网络的图像分割算法第28-33页
        2.2.1 基于DCNN的图像分割算法第28-30页
        2.2.2 基于FCN的图像分割算法第30-33页
    2.3 本章小结第33-34页
第三章 基于U-Net的乳腺超声图像肿瘤分割第34-48页
    3.1 图像预处理第34-38页
        3.1.1 截取感兴趣区域第35-36页
        3.1.2 图像去噪第36-37页
        3.1.3 增强对比度第37页
        3.1.4 改善均匀性第37-38页
    3.2 传统数据增强方法第38-41页
        3.2.1 基于几何变换的数据增强第39-40页
        3.2.2 基于随机弹性形变的数据增强第40-41页
    3.3 U-Net网络架构第41-43页
    3.4 损失函数第43-44页
    3.5 网络训练第44-46页
        3.5.1 初始化训练参数第44页
        3.5.2 Dropout第44-45页
        3.5.3 权值更新策略第45-46页
    3.6 图像后处理第46-47页
    3.7 本章小结第47-48页
第四章 基于ResU-Net的乳腺超声图像肿瘤分割第48-64页
    4.1 基于移动最小二乘形变的数据增强第48-57页
        4.1.1 仿射变换第51页
        4.1.2 相似变换第51-52页
        4.1.3 刚性变换第52-54页
        4.1.4 网格剖分第54-57页
    4.2 ResU-Net网络第57-61页
        4.2.1 梯度消失第57页
        4.2.2 残差学习单元第57-59页
        4.2.3 网络架构第59-61页
    4.3 基于ResU-Net的乳腺超声图像肿瘤分割具体步骤第61-62页
    4.4 本章小结第62-64页
第五章 实验结果与分析结论第64-78页
    5.1 定量评价指标第64-66页
    5.2 基于ResU-Net的乳腺超声图像肿瘤分割实验结果第66-76页
        5.2.1 定性实验结果第66-74页
        5.2.2 定量实验结果第74-76页
    5.3 基于移动最小二乘形变的数据增强实验结果第76页
    5.4 本章小结第76-78页
总结与展望第78-80页
参考文献第80-85页
攻读博士/硕士学位期间取得的研究成果第85-86页
致谢第86-87页
附件第87页

论文共87页,点击 下载论文
上一篇:虫草素靶向DEK调控Akt及Erk1/2信号通路抑制胆管癌增殖和迁移的机制研究
下一篇:Ki-67、EMA、Vimentin和S-100在脑膜瘤中的表达及临床意义