| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状概述 | 第10-11页 |
| 1.3 论文主要研究内容 | 第11-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 医学超声图像分割方法概述 | 第14-28页 |
| 2.1 引言 | 第14-15页 |
| 2.2 医学超声图像分割方法 | 第15-25页 |
| 2.2.1 基于阈值的超声图像分割 | 第15-17页 |
| 2.2.2 基于边界的超声图像分割 | 第17-19页 |
| 2.2.3 基于区域生长的超声图像分割 | 第19-20页 |
| 2.2.4 基于模糊理论的超声图像分割 | 第20-22页 |
| 2.2.5 基于主动轮廓模型的超声图像分割 | 第22-23页 |
| 2.2.6 基于神经网络的超声图像分割 | 第23-25页 |
| 2.3 医学超声图像分割方法的评价指标 | 第25-27页 |
| 2.3.1 分类相似性指标 | 第26页 |
| 2.3.2 距离相似性指标 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于改进型双边滤波的超声图像降噪新算法 | 第28-40页 |
| 3.1 引言 | 第28页 |
| 3.2 传统的超声图像降噪方法 | 第28-34页 |
| 3.2.1 基于中值滤波的降噪算法 | 第29-31页 |
| 3.2.2 基于非局域均值滤波的降噪算法 | 第31-32页 |
| 3.2.3 基于非线性扩散的降噪算法 | 第32-34页 |
| 3.3 改进的双边滤波降噪算法 | 第34-39页 |
| 3.3.1 改进的双边滤波降噪算法设计 | 第35-37页 |
| 3.3.2 实验结果与分析 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于可变形状限制模型的超声心动图左心室分割新方法 | 第40-58页 |
| 4.1 引言 | 第40-41页 |
| 4.2 超声心动图左心室预分割算法 | 第41-44页 |
| 4.2.1 基于模糊聚类的初始分割 | 第41-43页 |
| 4.2.2 基于水平集的二次分割 | 第43-44页 |
| 4.3 可变的形状限制模型 | 第44-49页 |
| 4.3.1 可变的形状限制模型设计 | 第45-46页 |
| 4.3.2 基于可变模型和力场的参数估计 | 第46-49页 |
| 4.4 实验 | 第49-56页 |
| 4.4.1 实验数据和环境 | 第49页 |
| 4.4.2 实验步骤 | 第49-50页 |
| 4.4.3 评价规则 | 第50-51页 |
| 4.4.4 实验结果与评估 | 第51-56页 |
| 4.5 总结与讨论 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 基于深度卷积神经网络的超声心动图轮廓检测研究 | 第58-69页 |
| 5.1 引言 | 第58-60页 |
| 5.2 卷积神经网络架构设计 | 第60-61页 |
| 5.3 改进的softmax损失函数 | 第61-63页 |
| 5.4 实验 | 第63-68页 |
| 5.4.1 实验数据和环境 | 第63-64页 |
| 5.4.2 评价规则 | 第64页 |
| 5.4.3 实验结果和评估 | 第64-68页 |
| 5.5 总结和讨论 | 第68页 |
| 5.6 本章小结 | 第68-69页 |
| 结论与展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-77页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第77页 |