| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 提高医学超声图像质量的研究现状 | 第11-12页 |
| 1.3.2 卷积神经网络的研究现状 | 第12-13页 |
| 1.4 存在的问题及改进方法 | 第13-14页 |
| 1.5 本文研究内容以及章节安排 | 第14-16页 |
| 2 超声成像、超分辨率重建和CNN相关理论 | 第16-36页 |
| 2.1 超声成像相关概念 | 第16-18页 |
| 2.1.1 超声诊断原理及超声成像方法 | 第16-17页 |
| 2.1.2 超声成像退化与重建模型 | 第17-18页 |
| 2.2 超分辨率重建技术 | 第18-23页 |
| 2.2.1 超分辨率重建算法 | 第18-22页 |
| 2.2.2 超分辨率重建算法性能评价 | 第22-23页 |
| 2.3 卷积神经网络 | 第23-32页 |
| 2.3.1 人工神经网络 | 第23-28页 |
| 2.3.2 卷积神经网络基础理论 | 第28-29页 |
| 2.3.3 卷积神经网络结构 | 第29-30页 |
| 2.3.4 卷积神经网络求解过程 | 第30-32页 |
| 2.4 Caffe深度学习框架 | 第32-34页 |
| 2.4.1 深度学习平台介绍 | 第32-33页 |
| 2.4.2 MatCaffe环境的搭建 | 第33-34页 |
| 2.5 本章小结 | 第34-36页 |
| 3 基于CNN的超声图像超分辨率重建算法 | 第36-66页 |
| 3.1 两种重建算法的介绍与比较 | 第36-47页 |
| 3.1.1 算法介绍 | 第36-39页 |
| 3.1.2 算法比较 | 第39-47页 |
| 3.2 基于FSRCNN的超声图像重建策略 | 第47-62页 |
| 3.2.1 影响超声图像超分辨率重建因素的分析与改进 | 第47-57页 |
| 3.2.2 超声图像重建算法的形成 | 第57-62页 |
| 3.3 与其他算法比较 | 第62-65页 |
| 3.4 本章小结 | 第65-66页 |
| 4 算法的应用与验证 | 第66-72页 |
| 4.1 验证环境 | 第66页 |
| 4.2 验证过程 | 第66-67页 |
| 4.3 验证结果与分析 | 第67-70页 |
| 4.4 本章小结 | 第70-72页 |
| 5 总结与展望 | 第72-74页 |
| 5.1 总结 | 第72页 |
| 5.2 展望 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-79页 |