基于图割与深度学习的心肌超声图像分割方法研究
| 摘要 | 第3-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第13-16页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 本文主要研究内容及章节安排 | 第14-16页 |
| 第二章 医学超声图像分割的常用方法 | 第16-23页 |
| 2.1 基于阈值的分割方法 | 第16-17页 |
| 2.2 基于聚类的分割方法 | 第17页 |
| 2.3 基于分水岭的分割方法 | 第17-18页 |
| 2.4 基于图的分割方法 | 第18-19页 |
| 2.5 基于主动轮廓模型的分割方法 | 第19-20页 |
| 2.6 基于马尔科夫随机场的分割方法 | 第20-21页 |
| 2.7 基于神经网络的分割方法 | 第21页 |
| 2.8 本章小结 | 第21-23页 |
| 第三章 基于超像素和邻域块特征结合的连续图割方法 | 第23-43页 |
| 3.1 引言 | 第23-24页 |
| 3.2 数据采集及处理 | 第24-26页 |
| 3.3 本章研究方法 | 第26-36页 |
| 3.3.1 图割模型的图构建 | 第26-27页 |
| 3.3.2 超像素和邻域块特征提取 | 第27-31页 |
| 3.3.3 新的相似性度量的定义 | 第31-32页 |
| 3.3.4 交互式标记的设置 | 第32页 |
| 3.3.5 连续图割模型的求解 | 第32-36页 |
| 3.4 NURBS曲线拟合后处理 | 第36-37页 |
| 3.5 分割评估指标 | 第37-38页 |
| 3.6 实验结果与分析 | 第38-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第四章 基于VGG16-UNet的深度学习方法 | 第43-58页 |
| 4.1 引言 | 第43-44页 |
| 4.2 深度学习分割网络的基本构成 | 第44-49页 |
| 4.2.1 卷积层 | 第44-45页 |
| 4.2.2 激活层 | 第45-47页 |
| 4.2.3 批量归一化层 | 第47-48页 |
| 4.2.4 池化层 | 第48页 |
| 4.2.5 反卷积层 | 第48-49页 |
| 4.3 本章研究方法 | 第49-52页 |
| 4.3.1 U-Net模型结构 | 第49-51页 |
| 4.3.2 VGG16模型结构 | 第51-52页 |
| 4.3.3 VGG16-UNet模型结构 | 第52页 |
| 4.4 十折交叉验证及数据在线扩增 | 第52-53页 |
| 4.5 实验结果与分析 | 第53-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 研究展望 | 第59-60页 |
| 参考文献 | 第60-67页 |
| 攻读学位期间成果 | 第67-68页 |
| 致谢 | 第68-69页 |
