| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 课题研究背景意义 | 第14-16页 |
| 1.2 磁共振技术成像原理 | 第16页 |
| 1.3 前列腺的磁共振图像表现 | 第16-17页 |
| 1.4 医疗图像分割 | 第17-18页 |
| 1.5 论文的主要工作和内容安排 | 第18-20页 |
| 第二章 基于浅层学习模型的分割算法 | 第20-24页 |
| 2.1 引言 | 第20页 |
| 2.2 基于浅层学习模型的分割方法 | 第20-22页 |
| 2.2.1 边缘检测 | 第21页 |
| 2.2.2 阈值分割方法 | 第21页 |
| 2.2.3 分类算法 | 第21页 |
| 2.2.4 聚类算法 | 第21-22页 |
| 2.2.5 区域生长法 | 第22页 |
| 2.2.6 分裂合并 | 第22页 |
| 2.3 本章小结 | 第22-24页 |
| 第三章 基于深度信念网络的MRI前列腺 2D分割方法 | 第24-48页 |
| 3.1 引言 | 第24页 |
| 3.2 深度学习 | 第24-26页 |
| 3.2.1 深度学习模型简介 | 第24-26页 |
| 3.2.2 深度学习基本思想 | 第26页 |
| 3.2.3 深度学习的训练过程 | 第26页 |
| 3.3 受限玻尔兹曼机 | 第26-32页 |
| 3.3.1 受限玻尔兹曼机简介 | 第26-28页 |
| 3.3.2 受限玻尔兹曼机的学习方法 | 第28-29页 |
| 3.3.3 吉布斯采样 | 第29-30页 |
| 3.3.4 基于对比散度的快速学习算法 | 第30-31页 |
| 3.3.5 训练受限玻尔兹曼机的技巧 | 第31-32页 |
| 3.4 深度信念网络 | 第32-35页 |
| 3.4.1 深度信念网络简介 | 第32-34页 |
| 3.4.2 深度信念网络和浅层网络比较 | 第34-35页 |
| 3.5 Softmax分类器 | 第35-36页 |
| 3.6 基于深度信念网络的MRI前列腺 2D分割方法 | 第36-42页 |
| 3.6.1 人工勾画感兴趣区域 | 第37-38页 |
| 3.6.2 图像块大小的选择 | 第38页 |
| 3.6.3 数据预处理 | 第38-41页 |
| 3.6.4 深度信念网络网络层数选择 | 第41页 |
| 3.6.5 深度信念网络节点数设置 | 第41-42页 |
| 3.7 实验结果分析 | 第42-46页 |
| 3.7.1 参数设置及实验数据 | 第42页 |
| 3.7.2 评价指标 | 第42-43页 |
| 3.7.3 实验结果及分析 | 第43-46页 |
| 3.8 本章小结 | 第46-48页 |
| 第四章 基于双深度信念网络的MRI前列腺 3D分割方法 | 第48-58页 |
| 4.1 引言 | 第48页 |
| 4.2 基于双深度信念网络的MRI前列腺 3D分割方法 | 第48-51页 |
| 4.2.1 数据预处理 | 第49页 |
| 4.2.2 3D图像块的选择 | 第49-50页 |
| 4.2.3 多层深度信念网络 | 第50页 |
| 4.2.4 三维数学形态学后处理 | 第50-51页 |
| 4.3 实验结果及分析 | 第51-55页 |
| 4.4 本章小结 | 第55-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-64页 |
| 作者简介 | 第64-65页 |
