| 摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-11页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.2.1 先验知识 | 第8-9页 |
| 1.2.2 多器官分割 | 第9页 |
| 1.3 本文的工作内容 | 第9-11页 |
| 2 多器官形状先验知识模型构建和分割算法的基础理论 | 第11-17页 |
| 2.1 统计形状模型基础理论 | 第11-12页 |
| 2.2 RBF插值法基础理论 | 第12-14页 |
| 2.3 Autoencoder自编码网络基础理论 | 第14-16页 |
| 2.3.1 Autoencoder自编码网络模型 | 第14-15页 |
| 2.3.2 Autoencoder自编码网络数据压缩原理 | 第15-16页 |
| 2.4 分割精度评估 | 第16-17页 |
| 3 多分辨率多器官形状先验知识模型的构建 | 第17-29页 |
| 3.1 实验数据 | 第17-19页 |
| 3.2 算法描述 | 第19-24页 |
| 3.2.1 多分辨率统计形状模型构建流程 | 第19-21页 |
| 3.2.2 多器官多分辨率统计形状模型 | 第21-24页 |
| 3.3 实验结果与分析 | 第24-27页 |
| 3.4 本章小结 | 第27-29页 |
| 4 基于多器官形状先验知识模型的低剂量CT图像分割 | 第29-38页 |
| 4.1 实验数据 | 第29-30页 |
| 4.2 算法描述 | 第30-33页 |
| 4.3 实验结果与分析 | 第33-37页 |
| 4.4 本章小结 | 第37-38页 |
| 5 基于SAE神经网络构建统计形状模型 | 第38-46页 |
| 5.1 实验数据 | 第38-39页 |
| 5.2 算法描述 | 第39-41页 |
| 5.2.1 基于SAE神经网络的多分辨率形状建模流程 | 第39-40页 |
| 5.2.2 SAE神经网络的形状拟合与形状生成 | 第40-41页 |
| 5.3 实验结果与分析 | 第41-44页 |
| 5.3.1 SAE神经网络的多分辨率形状建模结果 | 第41-43页 |
| 5.3.2 SAE神经网络和统计形状模型建模对比 | 第43-44页 |
| 5.4 本章小结 | 第44-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-52页 |
| 攻读硕士学位期间发表学术论文情况 | 第52-53页 |
| 致谢 | 第53-55页 |
