| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第16-24页 |
| 1.1 课题研究背景和意义 | 第16-17页 |
| 1.2 医学影像分割关键技术问题 | 第17-20页 |
| 1.2.1 噪声 | 第18-19页 |
| 1.2.2 部分容积效应 | 第19页 |
| 1.2.3 图像强度不均匀性 | 第19-20页 |
| 1.3 课题研究内容和目标 | 第20-21页 |
| 1.4 本课题研究的主要成果 | 第21-22页 |
| 1.5 本课题来源和论文组织结构 | 第22-24页 |
| 第二章 多模态医学影像分割算法综述 | 第24-42页 |
| 2.1 概述 | 第24页 |
| 2.2 医学多模态成像原理 | 第24-28页 |
| 2.2.1 超声成像 | 第25-26页 |
| 2.2.2 CT成像 | 第26-27页 |
| 2.2.3 MRI成像 | 第27-28页 |
| 2.3 基于机器学习算法的医学影像分割 | 第28-32页 |
| 2.3.1 机器学习算法的原理 | 第28-29页 |
| 2.3.2 深度学习算法研究概况 | 第29-31页 |
| 2.3.3 基于机器学习的医学影像分割 | 第31-32页 |
| 2.4 乳腺US图像分割算法 | 第32-34页 |
| 2.5 肝脏CT图像分割算法 | 第34-37页 |
| 2.6 前列腺MRI图像分割算法 | 第37-39页 |
| 2.7 医学影像分割算法测量方法 | 第39-42页 |
| 2.7.1 区域相似性测量 | 第40页 |
| 2.7.2 轮廓边界相似性测量 | 第40-41页 |
| 2.7.3 像素分类准确性测量 | 第41-42页 |
| 第三章 基于边界约束的CV模型乳腺超声肿瘤分割算法 | 第42-54页 |
| 3.1 乳腺超声图像分割问题 | 第42-43页 |
| 3.2 超声图像斑点噪声滤波增强算法 | 第43-44页 |
| 3.3 基于OBAT两步法初始轮廓自动提取 | 第44-46页 |
| 3.4 基于边界约束的改进CV模型 | 第46-48页 |
| 3.5 乳腺超声肿瘤分割结果分析 | 第48-53页 |
| 3.5.1 乳腺超声数据集 | 第48页 |
| 3.5.2 定性可视化实验结果 | 第48-51页 |
| 3.5.3 定量计算指标 | 第51-53页 |
| 3.6 小结 | 第53-54页 |
| 第四章 基于超像素边界感知的卷积神经网络肝脏CT影像分割算法 | 第54-70页 |
| 4.1 肝脏CT影像分割概述 | 第54-56页 |
| 4.2 卷积神经网络的计算原理 | 第56-58页 |
| 4.3 超像素边界感知图像块提取 | 第58-61页 |
| 4.4 SBBS-CNN 模型搭建和参数设置 | 第61-62页 |
| 4.4.1 模型搭建 | 第61-62页 |
| 4.4.2 学习参数设置 | 第62页 |
| 4.5 肝脏CT影像数据 | 第62-63页 |
| 4.6 肝脏CT分割结果与讨论 | 第63-69页 |
| 4.6.1 SBBS-CNN 分割算法实验分析 | 第63-65页 |
| 4.6.2 算法实验对比 | 第65-67页 |
| 4.6.3 算法结果讨论 | 第67-69页 |
| 4.7 小结 | 第69-70页 |
| 第五章 基于多层级边界感知 RUNet 的前列腺 MRI 分割算法 | 第70-82页 |
| 5.1 前列腺分割概述 | 第70页 |
| 5.2 全卷积神经网络分割算法 | 第70-72页 |
| 5.3 基于多层级边界感知RUNet的分割算法 | 第72-76页 |
| 5.3.1 边界感知RUNet网路 | 第73-74页 |
| 5.3.2 多层级自学习策略 | 第74-76页 |
| 5.4 模型参数和试验数据 | 第76页 |
| 5.5 前列腺MRI分割结果 | 第76-81页 |
| 5.5.1 分割结果可视化 | 第76-78页 |
| 5.5.2 对比实验结果分析 | 第78-81页 |
| 5.6 小结 | 第81-82页 |
| 第六章 医学影像分割在肿瘤诊疗中的应用实验研究 | 第82-94页 |
| 6.1 医学影像分割在肿瘤诊疗中的应用 | 第82-84页 |
| 6.2 基于级联 2.5D RUNet 卷积神经网络的肝段和肿瘤分析 | 第84-93页 |
| 6.2.1 肝脏解剖结构定义 | 第84-85页 |
| 6.2.2 肝段自动分割方法 | 第85-87页 |
| 6.2.3 基于级联 2.5D RUNet 卷积网络的肝段提取 | 第87-88页 |
| 6.2.4 实验结果分析 | 第88-93页 |
| 6.3 小结 | 第93-94页 |
| 第七章 结论与展望 | 第94-100页 |
| 7.1 本论文成果总结 | 第94-97页 |
| 7.2 本论文研究贡献 | 第97-98页 |
| 7.3 后续研究方向 | 第98-100页 |
| 参考文献 | 第100-114页 |
| 致谢 | 第114-116页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第116-117页 |
