基于深度学习方法的胶质瘤图像分割的初步研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 研究背景 | 第17-18页 |
| 1.2 医学图像分割的意义 | 第18页 |
| 1.3 主要内容与结构安排 | 第18-20页 |
| 第二章 医学图像分割方法概述 | 第20-26页 |
| 2.1 引言 | 第20页 |
| 2.2 方法概述 | 第20页 |
| 2.3 基于区域的分割方法 | 第20-22页 |
| 2.3.1 阈值法分割 | 第20-21页 |
| 2.3.2 基于聚类的分割 | 第21页 |
| 2.3.3 区域生长 | 第21-22页 |
| 2.3.4 基于统计学的分割方法 | 第22页 |
| 2.4 边缘检测分割方法 | 第22页 |
| 2.5 其他分割方法 | 第22-24页 |
| 2.5.1 图谱引导方法 | 第23页 |
| 2.5.2 基于模糊集理论的分割方法 | 第23页 |
| 2.5.3 基于神经网络的分割方法 | 第23-24页 |
| 2.6 本章小结 | 第24-26页 |
| 第三章 常用机器学习模型 | 第26-46页 |
| 3.1 感知机 | 第26-28页 |
| 3.2 决策树 | 第28-30页 |
| 3.3 支持向量机 | 第30-42页 |
| 3.3.1 支持向量机介绍 | 第30-31页 |
| 3.3.2 基于SVM进行睡眠阶段的自动划分 | 第31-35页 |
| 3.3.3 自动分类的结果 | 第35-42页 |
| 3.4 人工神经网络 | 第42-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 基于CNN模型对胶质瘤图像进行分割 | 第46-62页 |
| 4.1 CNN模型介绍 | 第47-50页 |
| 4.1.1 卷积神经网络的特点 | 第47-49页 |
| 4.1.2 Le Net模型简介 | 第49页 |
| 4.1.3 Alex Net模型简介 | 第49-50页 |
| 4.2 Caffe环境准备 | 第50-52页 |
| 4.3 使用CNN模型分割胶质瘤图像 | 第52-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第五章 基于FCN模型对胶质瘤图像进行分割 | 第62-72页 |
| 5.1 FCN模型介绍 | 第62-64页 |
| 5.2 用FCN模型分割胶质瘤图像 | 第64-67页 |
| 5.3 分割结果的分析 | 第67-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 论文所做的工作 | 第72-73页 |
| 6.2 论文的不足和未来研究方向 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |
