| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 HCC肿瘤分割 | 第9页 |
| 1.1.2 多参数磁共振成像(MRI) | 第9-10页 |
| 1.1.3 深度学习 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 基于传统机器学习和MRI的HCC肿瘤分割研究 | 第11-12页 |
| 1.2.2 基于深度学习和MRI的HCC肿瘤分割研究 | 第12-13页 |
| 1.2.3 基于多参数MRI的肿瘤分割研究 | 第13页 |
| 1.3 主要研究目标、内容及创新点 | 第13-14页 |
| 1.4 本文章节内容安排 | 第14-15页 |
| 第2章 分割方法 | 第15-25页 |
| 2.1 方法框架 | 第15-17页 |
| 2.2 深度卷积神经网络 | 第17-22页 |
| 2.2.1 DCNN模块介绍 | 第17-21页 |
| 2.2.2 U-Net架构 | 第21-22页 |
| 2.3 深度融合网络 | 第22-23页 |
| 2.4 数据增强策略 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 实验设计 | 第25-33页 |
| 3.1 实验数据 | 第25-27页 |
| 3.2 基于单参数MRI图像的分割实验 | 第27-29页 |
| 3.2.1 基于U-Net结构的分割 | 第27-28页 |
| 3.2.2 U-Net结构的改进 | 第28-29页 |
| 3.3 基于多参数MRI图像的分割实验 | 第29-32页 |
| 3.3.1 DFN分割 | 第29页 |
| 3.3.2 随机数据(RD)训练策略 | 第29-31页 |
| 3.3.3 单输入实验 | 第31-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 结果分析与讨论 | 第33-57页 |
| 4.1 评价指标 | 第33-34页 |
| 4.2 基于单参数MRI的实验结果 | 第34-44页 |
| 4.2.1 U-Net分割实验 | 第34-40页 |
| 4.2.2 改进的U-Net_2p结构的有效性验证 | 第40-44页 |
| 4.3 基于多参数MRI图像的实验结果 | 第44-54页 |
| 4.3.1 DFN分割实验结果 | 第45-49页 |
| 4.3.2 随机数据策略有效性验证 | 第49-51页 |
| 4.3.3 单输入实验验证 | 第51-54页 |
| 4.4 分割方法整体评估 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-60页 |
| 5.1 本文总结 | 第57-58页 |
| 5.2 本文的主要贡献 | 第58页 |
| 5.3 不足与展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间的研究成果 | 第66页 |
