| 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 |
