| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 综述 | 第10-20页 |
| 1.1 胎儿超声标准切面的临床背景与研究意义 | 第10-11页 |
| 1.2 标准切面的自动定位国内外研究现状 | 第11-13页 |
| 1.3 本论文的研究目标与挑战 | 第13-17页 |
| 1.4 本论文的研究设想 | 第17-18页 |
| 1.5 本论文的内容组织 | 第18-20页 |
| 第2章 基于UInet的胎儿超声标准切面自动定位系统 | 第20-38页 |
| 2.1 UInet胎儿超声标准切面定位系统框架 | 第21-22页 |
| 2.2 深度卷积神经网络 | 第22-27页 |
| 2.2.1 DCNN原理简介 | 第22-23页 |
| 2.2.2 小批量随机梯度下降算法 | 第23-24页 |
| 2.2.3 Dropout策略 | 第24-25页 |
| 2.2.4 ReLU激活函数 | 第25页 |
| 2.2.5 迁移学习简介 | 第25-26页 |
| 2.2.6 UInet结构 | 第26-27页 |
| 2.3 UInet实验数据集介绍 | 第27-31页 |
| 2.3.1 胎儿超声图片数据集介绍 | 第27-29页 |
| 2.3.2 胎儿超声数据增强策略 | 第29-31页 |
| 2.4 UInet系统实现与评估 | 第31-37页 |
| 2.4.1 UInet系统实现 | 第32页 |
| 2.4.2 梯度加权分类激活图简介 | 第32-33页 |
| 2.4.3 UInet定性评估 | 第33-35页 |
| 2.4.4 定量评估 | 第35-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 RSN胎儿超声标准切面自动定位系统 | 第38-58页 |
| 3.1 RSN胎儿超声标准切面自动定位系统框架 | 第38-39页 |
| 3.2 RSN结构与训练 | 第39-43页 |
| 3.2.1 RSN结构 | 第39-41页 |
| 3.2.2 NMS算法与RSN损失函数 | 第41-42页 |
| 3.2.3 RSN的训练 | 第42-43页 |
| 3.3 RSN实验数据 | 第43-46页 |
| 3.4 RSN系统实现 | 第46-47页 |
| 3.5 RSN系统评估 | 第47-57页 |
| 3.5.1 RSN定性分析 | 第47-51页 |
| 3.5.2 RSN定量分析评价指标 | 第51页 |
| 3.5.3 RSN定量分析结果 | 第51-52页 |
| 3.5.4 特征提取网络选择对比 | 第52-54页 |
| 3.5.5 D1、D2的不同参数对比 | 第54-55页 |
| 3.5.6 RSN系统与T-RNN系统对比 | 第55-57页 |
| 3.6 本章小结 | 第57-58页 |
| 第4章 总结与展望 | 第58-62页 |
| 4.1 本文总结 | 第58-59页 |
| 4.2 本文的主要创新与贡献 | 第59-60页 |
| 4.3 本文的不足和展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读硕士学位期间的研究成果 | 第68页 |