基于U形深度网络的MRI分割方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状及发展趋势 | 第14-18页 |
| 1.2.1 深度学习的发展 | 第14-15页 |
| 1.2.2 深度学习在医学图像中的应用 | 第15-17页 |
| 1.2.3 深度学习的发展趋势及挑战 | 第17-18页 |
| 1.3 研究内容 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第二章 深度学习理论及方法 | 第21-38页 |
| 2.1 特征与特征学习 | 第21-23页 |
| 2.1.1 特征学习 | 第21-22页 |
| 2.1.2 浅层学习和深层学习 | 第22-23页 |
| 2.2 深度学习常用模型 | 第23-31页 |
| 2.2.1 深度信念网络 | 第24-25页 |
| 2.2.2 栈式自动编码器 | 第25-26页 |
| 2.2.3 卷积神经网络 | 第26-31页 |
| 2.2.4 循环神经网络 | 第31页 |
| 2.3 深度学习相关技巧和方法 | 第31-35页 |
| 2.3.1 数据集获取 | 第32页 |
| 2.3.2 参数更新策略 | 第32-34页 |
| 2.3.3 迁移学习 | 第34页 |
| 2.3.4 交叉验证 | 第34-35页 |
| 2.4 评估指标 | 第35-36页 |
| 2.5 深度学习框架 | 第36-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第三章 基于二维全卷积网络的MRI分割 | 第38-56页 |
| 3.1 基于FCN的图像语义分割 | 第38-43页 |
| 3.1.1 全卷积网络 | 第38-40页 |
| 3.1.2 反卷积 | 第40-41页 |
| 3.1.3 FCN网络分析 | 第41-42页 |
| 3.1.4 FCN训练过程 | 第42-43页 |
| 3.2 U-Net及其改进 | 第43-45页 |
| 3.2.1 U-Net网络 | 第43-44页 |
| 3.2.2 改进1：添加残差结构 | 第44-45页 |
| 3.2.3 改进2：多通道堆叠 | 第45页 |
| 3.3 改进型U-Net对MRI的分割 | 第45-54页 |
| 3.3.1 软硬件环境 | 第46页 |
| 3.3.2 数据集 | 第46-47页 |
| 3.3.3 网络训练 | 第47-50页 |
| 3.3.4 实验结果 | 第50-54页 |
| 3.4 本章小结 | 第54-56页 |
| 第四章 基于三维全卷积网络的MRI分割 | 第56-62页 |
| 4.1 3D-UR网络 | 第56-59页 |
| 4.1.1 三维卷积网络 | 第56-57页 |
| 4.1.2 三维卷积与反卷积 | 第57-58页 |
| 4.1.3 网络构建 | 第58-59页 |
| 4.2 3D-UR对MRI的分割 | 第59-61页 |
| 4.2.1 网络训练 | 第59页 |
| 4.2.2 实验结果及分析 | 第59-61页 |
| 4.3 本章小结 | 第61-62页 |
| 第五章 通用U形网络结构分析 | 第62-70页 |
| 5.1 通用U形网络结构 | 第62-63页 |
| 5.2 U形网络特征融合结构 | 第63-67页 |
| 5.2.1 Skip连接 | 第63-65页 |
| 5.2.2 Shortcut连接 | 第65-67页 |
| 5.3 实验及结果分析 | 第67-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-73页 |
| 6.1 本文工作总结 | 第70-71页 |
| 6.2 未来展望 | 第71-73页 |
| 致谢 | 第73-75页 |
| 参考文献 | 第75-78页 |
| 附录 | 第78页 |
