基于深度学习的超声颈总动脉内中膜厚度测量算法的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 待解决的问题 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 感兴趣区域提取 | 第11页 |
| 1.3.2 精准轮廓线获得 | 第11-13页 |
| 1.4 本文主要工作 | 第13页 |
| 1.5 本文内容安排 | 第13-16页 |
| 第二章 图像分割的基本理论 | 第16-22页 |
| 2.1 基于边界分割算法 | 第16-19页 |
| 2.1.1 并行边界分割算法 | 第16-18页 |
| 2.1.2 串行边界分割算法 | 第18-19页 |
| 2.2 基于区域分割算法 | 第19-21页 |
| 2.2.1 并行区域分割算法 | 第19-20页 |
| 2.2.2 串行区域分割算法 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 基于CNN的ROI提取 | 第22-34页 |
| 3.1 深度学习的发展 | 第22-23页 |
| 3.2 卷积神经网络 | 第23-27页 |
| 3.2.1 CNN的结构 | 第23-25页 |
| 3.2.2 CNN的运算过程 | 第25-26页 |
| 3.2.3 CNN的训练 | 第26-27页 |
| 3.3 CNN与ROI获取 | 第27-33页 |
| 3.3.1 算法执行过程 | 第28-30页 |
| 3.3.2 算法鲁棒性验证 | 第30-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 基于深度学习的超声颈总动脉内中膜厚度测量 | 第34-50页 |
| 4.1 基于SAE的像素特征提取 | 第35-44页 |
| 4.1.1 编码器与稀疏性 | 第35-37页 |
| 4.1.2 堆栈式自编码器 | 第37-38页 |
| 4.1.3 逐层贪心训练算法 | 第38-39页 |
| 4.1.4 算法的具体实现 | 第39-44页 |
| 4.2 后处理阶段 | 第44-47页 |
| 4.2.1 可信区域选择 | 第45-46页 |
| 4.2.2 边界提取 | 第46-47页 |
| 4.3 算法鲁棒性分析 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 实验及结果分析 | 第50-62页 |
| 5.1 实验环境及图像库 | 第50-51页 |
| 5.1.1 自动测试环境 | 第50页 |
| 5.1.2 实验所用图像库 | 第50-51页 |
| 5.2 手动IMT测量 | 第51-57页 |
| 5.2.1 手动测量过程 | 第51页 |
| 5.2.2 IMT值的计算 | 第51-52页 |
| 5.2.3 手动测量性能评估 | 第52-57页 |
| 5.3 自动IMT测量 | 第57-59页 |
| 5.3.1 自动测量过程 | 第57页 |
| 5.3.2 自动测量性能评估 | 第57-58页 |
| 5.3.3 与其他算法的比较 | 第58-59页 |
| 5.4 本章小结 | 第59-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 本文总结 | 第62-63页 |
| 6.2 前景展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 发表论文和参加科研情况说明 | 第70-72页 |
| 致谢 | 第72-73页 |
