基于深度神经网络的肿瘤图像分析与处理
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第17-28页 |
| 1.1 研究背景和意义 | 第17-19页 |
| 1.1.1 脑部肿瘤 | 第17-18页 |
| 1.1.2 肺部肿瘤 | 第18-19页 |
| 1.2 国内外研究现状 | 第19-24页 |
| 1.2.1 医学图像预处理方法 | 第20-21页 |
| 1.2.2 图像分割研究现状 | 第21-23页 |
| 1.2.3 图像检测研究现状 | 第23-24页 |
| 1.3 本文研究内容和主要工作 | 第24-25页 |
| 1.4 本文章节架构 | 第25-28页 |
| 第2章 背景介绍 | 第28-45页 |
| 2.1 医学成像 | 第28-34页 |
| 2.1.1 CT成像 | 第29-31页 |
| 2.1.2 MR成像 | 第31-34页 |
| 2.2 人工神经网络 | 第34-41页 |
| 2.2.1 参数优化方法 | 第37页 |
| 2.2.2 卷积神经网络 | 第37-41页 |
| 2.3 基于分类和检测经典模型 | 第41-44页 |
| 2.3.1 经典分类网络 | 第41页 |
| 2.3.2 经典目标检测网络 | 第41-44页 |
| 2.4 本章小结 | 第44-45页 |
| 第3章 基于MR和CT图像数据预处理 | 第45-64页 |
| 3.1 相关研究背景 | 第45-46页 |
| 3.2 基于MR图像的分布均衡化算法 | 第46-49页 |
| 3.2.1 算法 | 第47-49页 |
| 3.3 基于CT图像的分布均衡化算法 | 第49-52页 |
| 3.3.1 算法 | 第50-52页 |
| 3.4 实验与分析 | 第52-63页 |
| 3.4.1 实验环境 | 第52页 |
| 3.4.2 基于MR图像的实验 | 第52-60页 |
| 3.4.3 基于CT图像的实验 | 第60-63页 |
| 3.5 本章小结 | 第63-64页 |
| 第4章 基于二维MR图像的脑肿瘤分割 | 第64-74页 |
| 4.1 相关研究 | 第64页 |
| 4.2 双通路CNN+FCRF混合模型 | 第64-67页 |
| 4.2.1 CNN结构 | 第65-66页 |
| 4.2.2 全连接条件随机场FCRF架构 | 第66-67页 |
| 4.3 实验与分析 | 第67-73页 |
| 4.3.1 实验数据集和评测指标 | 第67-68页 |
| 4.3.2 实验架构 | 第68页 |
| 4.3.3 数据预处理 | 第68-71页 |
| 4.3.4 模型参数设置 | 第71-72页 |
| 4.3.5 实验结果与分析 | 第72-73页 |
| 4.4 本章小结 | 第73-74页 |
| 第5章 基于三维MR图像的脑肿瘤分割 | 第74-81页 |
| 5.1 相关研究 | 第74-75页 |
| 5.2 模型架构 | 第75-77页 |
| 5.2.1 3D分割模型设计 | 第75-76页 |
| 5.2.2 多分类焦点损失函数 | 第76-77页 |
| 5.3 实验与分析 | 第77-80页 |
| 5.3.1 实验数据集 | 第77页 |
| 5.3.2 训练参数设置 | 第77页 |
| 5.3.3 实验结果与分析 | 第77-80页 |
| 5.4 本章小结 | 第80-81页 |
| 第6章 基于三维CT图像的肺部结节检测 | 第81-92页 |
| 6.1 相关研究 | 第81-82页 |
| 6.2 网络架构 | 第82-85页 |
| 6.2.1 3D Nodule GAN | 第82-83页 |
| 6.2.2 3D结节检测网络 | 第83-85页 |
| 6.3 实验与分析 | 第85-91页 |
| 6.3.1 数据集 | 第85-86页 |
| 6.3.2 训练参数 | 第86-87页 |
| 6.3.3 实验结果与分析 | 第87-91页 |
| 6.4 本章小结 | 第91-92页 |
| 第7章 结束语 | 第92-94页 |
| 7.1 本文的主要工作和贡献 | 第92页 |
| 7.2 进一步的工作 | 第92-94页 |
| 参考文献 | 第94-102页 |
| 致谢 | 第102-103页 |
| 在读期间发表的学术论文与取得的研究成果 | 第103页 |
