| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 所选背景以及研究意义 | 第10-12页 |
| 1.2 国内外的研究现状 | 第12-14页 |
| 1.3 深度学习在医学图像分割上的应用 | 第14-16页 |
| 1.4 本文研究目的和篇章结构 | 第16-18页 |
| 第二章 磁共振及传统医学图像分割方法 | 第18-30页 |
| 2.1 腹部肝脏的MR图像 | 第18-22页 |
| 2.1.1 磁共振成像概述 | 第18-19页 |
| 2.1.2 磁共振系统的组成 | 第19-20页 |
| 2.1.3 普美显磁共振成像的基本原理 | 第20-22页 |
| 2.2 MR图像的预处理 | 第22-27页 |
| 2.2.1 MR图像的归一化和标准化 | 第22-24页 |
| 2.2.2 MR图像的数据增强 | 第24-27页 |
| 2.3 基于传统的医学图像的分割方法 | 第27-28页 |
| 2.3.1 基于形态学的医学图像分割 | 第27页 |
| 2.3.2 基于Snakes算法的医学图像分割 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于深度学习的神经网络原理 | 第30-45页 |
| 3.1 卷积神经网络的原理 | 第30-41页 |
| 3.1.1 神经网络 | 第30-32页 |
| 3.1.2 卷积神经网络 | 第32页 |
| 3.1.3 卷积层(Convolution Layer) | 第32-34页 |
| 3.1.4 池化层(Pooling Layer) | 第34-35页 |
| 3.1.5 全连接层(Fully Connected Layer) | 第35页 |
| 3.1.6 激活函数(Activation Function) | 第35-38页 |
| 3.1.7 损失函数(Loss Function) | 第38-39页 |
| 3.1.8 优化算法(Optimizer Algorithm) | 第39-41页 |
| 3.2 全卷积神经网络(FCN)的原理 | 第41-42页 |
| 3.3 迁移学习(Transfer Learning) | 第42-44页 |
| 3.3.1 迁移学习提出的背景 | 第42页 |
| 3.3.2 迁移学习的定义 | 第42-43页 |
| 3.3.3 迁移学习的分类 | 第43-44页 |
| 3.3.4 迁移学习的应用 | 第44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 U-net网络的设计与改进 | 第45-56页 |
| 4.1 U-net网络的基本原理 | 第45-46页 |
| 4.2 基于U-net网络模型的改进 | 第46-52页 |
| 4.2.1 规范层(Batch Normalization)的原理及作用 | 第46-48页 |
| 4.2.2 dropout层的原理及作用 | 第48-50页 |
| 4.2.3 U-net网络模型超参数的选择 | 第50-52页 |
| 4.3 U-net网络的结构的设计 | 第52-55页 |
| 4.4 keras深度学习框架的介绍 | 第55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 实验结果与分析 | 第56-71页 |
| 5.0 肝脏肿瘤分割的评价标准 | 第56-57页 |
| 5.1 研究对象和数据分布介绍 | 第57-59页 |
| 5.2 基于Keras的U-net网络的肝脏肿瘤分割的实验设计 | 第59-65页 |
| 5.2.1 数据集的处理 | 第59-60页 |
| 5.2.2 U-net网络的训练 | 第60-64页 |
| 5.2.3 U-net网络模型的测试 | 第64-65页 |
| 5.3 实验结果对比与分析 | 第65-70页 |
| 5.3.1 基于区域生长的肝脏肿瘤分割 | 第65-67页 |
| 5.3.2 基于Snakes模型的肝脏肿瘤分割 | 第67-69页 |
| 5.3.3 几种分割方法的比较 | 第69-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 全文总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 硕士研究生期间主要工作与相关成果 | 第78-79页 |
