| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 阈值法 | 第13-14页 |
| 1.2.2 区域生长 | 第14页 |
| 1.2.3 活动轮廓模型 | 第14页 |
| 1.2.4 分水岭算法 | 第14-15页 |
| 1.2.5 水平集 | 第15页 |
| 1.2.6 神经网络 | 第15-16页 |
| 1.3 本文研究内容 | 第16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 相关技术 | 第18-29页 |
| 2.1 引言 | 第18页 |
| 2.2 深度卷积神经网络 | 第18-20页 |
| 2.2.1 卷积层(Convolution Layer) | 第19页 |
| 2.2.2 池化层(Pooling Layer) | 第19-20页 |
| 2.2.3 全连接层(Fully-connected Layer) | 第20页 |
| 2.3 神经网络训练过程 | 第20-28页 |
| 2.3.1 图像预处理 | 第21-22页 |
| 2.3.2 神经网络的构建 | 第22-23页 |
| 2.3.3 神经网络的训练以及参数调节 | 第23-27页 |
| 2.3.4 对于目标数据的预测 | 第27页 |
| 2.3.5 对于输出结果的后处理 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 传统深度学习方法在神经分割问题的研究与实现 | 第29-43页 |
| 3.1 引言 | 第29-30页 |
| 3.2 全卷积网络(Fully Convolutional Networks) | 第30-32页 |
| 3.2.1 网络结构 | 第31页 |
| 3.2.2 网络搭建 | 第31-32页 |
| 3.3 U-Net网络 | 第32-34页 |
| 3.3.1 U-Net网络结构 | 第32-33页 |
| 3.3.2 网络搭建 | 第33-34页 |
| 3.4 SegNet网络 | 第34-36页 |
| 3.4.1 SegNet网络结构 | 第35-36页 |
| 3.4.2 网络搭建 | 第36页 |
| 3.5 实验结果与分析 | 第36-42页 |
| 3.5.1 实验数据与环境 | 第36-37页 |
| 3.5.2 评价标准 | 第37页 |
| 3.5.3 图像预处理 | 第37-38页 |
| 3.5.4 模型参数 | 第38页 |
| 3.5.5 训练过程 | 第38-39页 |
| 3.5.6 实验结果 | 第39-41页 |
| 3.5.7 实验总结 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 基于残差U型网络在神经分割问题的研究与实现 | 第43-50页 |
| 4.1 引言 | 第43页 |
| 4.2 残差U型网络 | 第43-46页 |
| 4.2.1 残差结构 | 第43-44页 |
| 4.2.2 残差U型网络结构 | 第44-45页 |
| 4.2.3 残差U型网络模型搭建 | 第45-46页 |
| 4.3 实验结果与分析 | 第46-49页 |
| 4.3.1 实验数据与环境 | 第46页 |
| 4.3.2 实验准备 | 第46-47页 |
| 4.3.3 训练过程 | 第47页 |
| 4.3.4 实验结果 | 第47-49页 |
| 4.3.5 实验总结 | 第49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 基于残差分割网络在神经分割问题的研究与实现 | 第50-56页 |
| 5.1 引言 | 第50页 |
| 5.2 残差分割网络 | 第50-52页 |
| 5.2.1 编码器 | 第50-51页 |
| 5.2.2 残差分割网络结构 | 第51-52页 |
| 5.2.3 残差分割模型搭建 | 第52页 |
| 5.3 实验结果与分析 | 第52-55页 |
| 5.3.1 实验数据与环境 | 第52页 |
| 5.3.2 实验准备 | 第52页 |
| 5.3.3 训练过程 | 第52-53页 |
| 5.3.4 实验结果 | 第53-55页 |
| 5.4 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-63页 |
| 攻读学位期间取得的研究成果 | 第63页 |
