基于深度学习的脑核磁图像分割方法的研究与实现
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究意义 | 第10-11页 |
| 1.2 研究背景 | 第11-13页 |
| 1.3 国内外研究现状 | 第13页 |
| 1.4 本文组织结构 | 第13-16页 |
| 第2章 脑核磁图像特征建模 | 第16-48页 |
| 2.1 脑核磁图像预处理 | 第16-37页 |
| 2.1.1 脑核磁图像介绍 | 第17-23页 |
| 2.1.2 Dicom图像解析 | 第23-24页 |
| 2.1.3 图像去噪 | 第24-32页 |
| 2.1.4 图像增强 | 第32-34页 |
| 2.1.5 提取预分割区域 | 第34-37页 |
| 2.2 基于深度学习算法的特征提取 | 第37-47页 |
| 2.2.1 深度学习算法介绍 | 第37-40页 |
| 2.2.2 基于SAE的特征提取算法 | 第40-44页 |
| 2.2.3 基于CNN的特征提取算法 | 第44-47页 |
| 2.3 本章小结 | 第47-48页 |
| 第3章 脑核磁图像灰白质分割 | 第48-58页 |
| 3.1 图像特征聚类 | 第49-52页 |
| 3.1.1 聚类算法对比 | 第49-51页 |
| 3.1.2 FCM的灰白质聚类 | 第51-52页 |
| 3.2 基于SVM的图像分割 | 第52-56页 |
| 3.2.1 SVM原理 | 第52-55页 |
| 3.2.2 分类参数生成 | 第55页 |
| 3.2.3 SVM的分割算法 | 第55-56页 |
| 3.3 本章小结 | 第56-58页 |
| 第4章 实验结果与讨论 | 第58-70页 |
| 4.1 实验设计 | 第58页 |
| 4.2 实验结果 | 第58-60页 |
| 4.3 对比分析 | 第60-68页 |
| 4.4 本章小结 | 第68-70页 |
| 第5章 总结与展望 | 第70-72页 |
| 5.1 总结 | 第70页 |
| 5.2 展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76页 |
