| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究目的和意义 | 第12-14页 |
| 1.3 研究现状 | 第14-16页 |
| 1.4 研究内容和组织结构 | 第16-18页 |
| 1.4.1 研究内容和创新点 | 第16页 |
| 1.4.2 组织结构 | 第16-18页 |
| 第2章 医学CT图像分割 | 第18-39页 |
| 2.1 医学CT图像 | 第18-20页 |
| 2.1.1 CT图像结构和原理 | 第18-19页 |
| 2.1.2 医学CT图像的特征 | 第19-20页 |
| 2.1.3 医学CT图像中噪声类型 | 第20页 |
| 2.2 医学图像分割概述 | 第20-22页 |
| 2.2.1 医学图像分割定义 | 第20-21页 |
| 2.2.2 医学图像分割效果评价准则 | 第21-22页 |
| 2.3 医学CT图像分割方法 | 第22-29页 |
| 2.3.1 基于阈值图像分割 | 第22页 |
| 2.3.2 边缘检测法 | 第22-23页 |
| 2.3.3 基于区域生长与分水岭的图像分割 | 第23-24页 |
| 2.3.4 基于聚类方法的图像分割 | 第24-25页 |
| 2.3.5 基于信息论的图像分割 | 第25-26页 |
| 2.3.6 基于神经网络的图像分割 | 第26-29页 |
| 2.4 深度学习和卷积神经网络模型 | 第29-38页 |
| 2.4.1 深度学习 | 第29-30页 |
| 2.4.2 深度学习框架 | 第30-34页 |
| 2.4.3 卷积神经网络 | 第34-38页 |
| 2.5 小结 | 第38-39页 |
| 第3章 基于卷积神经网络的肺部CT图像分割算法 | 第39-51页 |
| 3.1 引言 | 第39-40页 |
| 3.2 肺部CT图像预处理 | 第40-43页 |
| 3.3 基于卷积神经网络的肺部CT图像分割算法 | 第43-47页 |
| 3.3.1 基于模糊隶属度函数的概率方法 | 第43-44页 |
| 3.3.2 卷积神经网络的结构设计 | 第44-46页 |
| 3.3.3 卷积神经网络的初始化和训练 | 第46-47页 |
| 3.4 实验结果与分析 | 第47-50页 |
| 3.4.1 实验数据来源 | 第47页 |
| 3.4.2 实验结果 | 第47-48页 |
| 3.4.3 实验结果分析 | 第48-50页 |
| 3.5 小结 | 第50-51页 |
| 第4章 基于改进卷积神经网络的脑部CT图像分割 | 第51-64页 |
| 4.1 引言 | 第51-52页 |
| 4.2 脑部CT图像的预处理 | 第52-53页 |
| 4.3 基于改进卷积神经网络脑部CT图像分割算法设计 | 第53-59页 |
| 4.3.1 卷积神经网络的输入、输出层设计 | 第53页 |
| 4.3.2 卷积神经网络结构设计 | 第53-57页 |
| 4.3.3 激活函数的选择 | 第57-58页 |
| 4.3.4 卷积神经网络的初始化 | 第58-59页 |
| 4.3.5 卷积神经网络的训练和分割 | 第59页 |
| 4.4 实验结果及分析 | 第59-63页 |
| 4.4.1 实验数据来源和生成 | 第59-61页 |
| 4.4.2 实验结果 | 第61-62页 |
| 4.4.3 实验分析 | 第62-63页 |
| 4.5 小结 | 第63-64页 |
| 第5章 总结和展望 | 第64-66页 |
| 5.1 总结 | 第64页 |
| 5.2 未来展望 | 第64-66页 |
| 参考文献 | 第66-74页 |
| 攻读硕士学位期间发表的学术成果 | 第74-75页 |
| 致谢 | 第75页 |