| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-21页 |
| 1.1 课题背景与研究意义 | 第11-13页 |
| 1.1.1 课题背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 脑肿瘤分割研究 | 第13-17页 |
| 1.2.2 卷积神经网络在MRI图像脑肿瘤分割中的应用 | 第17-18页 |
| 1.3 脑肿瘤分割方法发展趋势 | 第18-19页 |
| 1.4 论文研究内容及安排 | 第19-21页 |
| 2 相关工作 | 第21-31页 |
| 2.1 人工神经网络 | 第21页 |
| 2.2 深度学习 | 第21-22页 |
| 2.3 卷积神经网络 | 第22-28页 |
| 2.3.1 卷积神经网络结构 | 第23页 |
| 2.3.2 卷积层 | 第23-24页 |
| 2.3.3 激活函数 | 第24-25页 |
| 2.3.4 池化层 | 第25-26页 |
| 2.3.5 全连接层 | 第26页 |
| 2.3.6 损失函数及优化 | 第26-28页 |
| 2.4 图像语义分割 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 3 基于块分类的MRI图像脑肿瘤自动分割方法 | 第31-41页 |
| 3.1 MRI图像数据集与预处理 | 第31-33页 |
| 3.2 基于块分类的卷积网络模型构建 | 第33-34页 |
| 3.3 模型训练和后处理 | 第34-35页 |
| 3.3.1 模型训练 | 第34-35页 |
| 3.3.2 后处理 | 第35页 |
| 3.4 实验结果与分析 | 第35-40页 |
| 3.4.1 分割评估指标 | 第35-36页 |
| 3.4.2 训练结果分析 | 第36-37页 |
| 3.4.3 实验结果与分析 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 基于全卷积网络的MRI图像脑肿瘤快速分割方法 | 第41-51页 |
| 4.1 基于全卷积网络的分割方法描述 | 第41-43页 |
| 4.1.1 全卷积网络在语义分割中应用 | 第41-42页 |
| 4.1.2 全连接层卷积化 | 第42页 |
| 4.1.3 反卷积层 | 第42-43页 |
| 4.2 MRI图像脑肿瘤分割的全卷积网络模型构建 | 第43-45页 |
| 4.3 模型训练 | 第45-46页 |
| 4.4 实验结果与分析 | 第46-48页 |
| 4.4.1 训练结果分析 | 第46-47页 |
| 4.4.2 实验对比与分析 | 第47-48页 |
| 4.5 本章小结 | 第48-51页 |
| 5 基于深度级联网络的MRI图像脑肿瘤分割方法 | 第51-59页 |
| 5.1 基于深度级联网络的分割方法描述 | 第51-52页 |
| 5.2 TLN和ITCN模型构建 | 第52-54页 |
| 5.3 模型训练 | 第54页 |
| 5.4 实验结果与分析 | 第54-58页 |
| 5.4.1 实验结果展示与分析 | 第54-57页 |
| 5.4.2 实验对比与分析 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 6 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59-60页 |
| 6.2 展望 | 第60-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67-69页 |
| A.主要主持和参研的项目 | 第67-69页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第69页 |