基于卷积神经网络的脑血管自动分割算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 引言 | 第10-11页 |
| 1.2 脑血管分割的研究背景 | 第11-12页 |
| 1.3 脑血管分割与卷积神经网络的国内外研究现状 | 第12-14页 |
| 1.4 本文主要内容和创新点 | 第14页 |
| 1.5 本文的结构 | 第14-15页 |
| 第二章 脑血管分割的相关知识 | 第15-32页 |
| 2.1 血管造影技术和医学图像标准 | 第15-21页 |
| 2.1.1 磁共振血管造影技术 | 第15-16页 |
| 2.1.2 计算机断层扫描血管造影技术 | 第16-17页 |
| 2.1.3 数字减影血管造影技术 | 第17-18页 |
| 2.1.4 经颅多普勒技术 | 第18-19页 |
| 2.1.5 DICOM标准 | 第19-21页 |
| 2.2 传统的脑血管分割方法 | 第21-28页 |
| 2.2.1 基于阈值的分割方法 | 第22-24页 |
| 2.2.2 基于活动轮廓模型的分割方法 | 第24-27页 |
| 2.2.3 基于区域增长的分割方法 | 第27-28页 |
| 2.3 卷积神经网络相关知识 | 第28-31页 |
| 2.3.1 卷积神经网络概述 | 第28页 |
| 2.3.2 卷积神经网络的发展 | 第28-30页 |
| 2.3.3 卷积神经网络的基本结构 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于多模态卷积神经网络的分割技术 | 第32-52页 |
| 3.1 算法概述 | 第32-33页 |
| 3.2 预处理 | 第33-39页 |
| 3.2.1 高斯滤波 | 第33-34页 |
| 3.2.2 拉普拉斯滤波 | 第34-36页 |
| 3.2.3 Gabor滤波 | 第36-39页 |
| 3.3 多模态卷积神经网络 | 第39-46页 |
| 3.3.1 卷积神经网络 | 第39-45页 |
| 3.3.2 初始化和训练 | 第45-46页 |
| 3.3.3 数据融合 | 第46页 |
| 3.4 后处理 | 第46-51页 |
| 3.4.1 高斯混合模型 | 第46-49页 |
| 3.4.2 模糊C均值 | 第49-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 对比实验 | 第52-70页 |
| 4.1 数据源 | 第52-54页 |
| 4.2 实验设置 | 第54-56页 |
| 4.3 实验结果 | 第56-60页 |
| 4.4 实验分析 | 第60-69页 |
| 4.4.1 评价指标 | 第60页 |
| 4.4.2 结果分析 | 第60-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 本文主要工作 | 第70页 |
| 5.2 未来工作展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 攻读硕士学位期间取得的成果 | 第79-80页 |
