| 摘要 | 第4-7页 |
| Abstract | 第7-9页 |
| 1 绪论 | 第12-29页 |
| 1.1 课题研究背景及意义 | 第12-13页 |
| 1.2 医学图像配准算法的关键技术及研究现状 | 第13-23页 |
| 1.3 深度学习概述及其在图像配准中的应用 | 第23-26页 |
| 1.4 本论文的创新点和主要贡献 | 第26-27页 |
| 1.5 本论文的结构 | 第27-29页 |
| 2 基于脉冲发放皮层模型和分数阶广义熵的非刚性多模医学图像配准 | 第29-43页 |
| 2.1 引言 | 第29页 |
| 2.2 相关背景工作概述 | 第29-35页 |
| 2.3 基于SCM的分数阶广义熵图 | 第35-36页 |
| 2.4 基于SCM-F熵图非刚性多模图像配准 | 第36-38页 |
| 2.5 实验结果 | 第38-42页 |
| 2.6 本章小结 | 第42-43页 |
| 3 基于Zernike矩和自相似性的非刚性多模医学图像配准 | 第43-66页 |
| 3.1 引言 | 第43页 |
| 3.2 相关工作 | 第43-45页 |
| 3.3 用于自相似性计算的Zernike矩 | 第45-48页 |
| 3.4 自相似性激发的Zernike矩局部描述子 | 第48-52页 |
| 3.5 基于ZMLD的非刚性多模图像配准 | 第52-54页 |
| 3.6 实验结果与分析 | 第54-64页 |
| 3.7 本章小结 | 第64-66页 |
| 4 基于深度流形学习网络模型的非刚性多模医学图像配准 | 第66-90页 |
| 4.1 引言 | 第66页 |
| 4.2 相关工作 | 第66-70页 |
| 4.3 基于Laplacian Eigenmaps的深度学习网络 | 第70-75页 |
| 4.4 基于LENet的图像表征方法 | 第75-78页 |
| 4.5 基于LDAD的非刚性多模医学图像配准方法 | 第78-80页 |
| 4.6 实验结果与分析 | 第80-88页 |
| 4.7 本章小结 | 第88-90页 |
| 5 总结与展望 | 第90-93页 |
| 5.1 本论文工作总结 | 第90-91页 |
| 5.2 展望 | 第91-93页 |
| 致谢 | 第93-95页 |
| 参考文献 | 第95-107页 |
| 附录1 攻读博士学位期间获得的主要学术成果 | 第107-108页 |
| 附录2 攻读博士学位期间参与的项目 | 第108页 |
