深度学习在图像分割中的应用
——基于深度学习的甲状腺结节超声图像分割
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-16页 |
| 1.2 甲状腺结节超声图像分割的研究现状 | 第16-17页 |
| 1.3 论文结构及内容安排 | 第17-19页 |
| 第二章 图像分割相关知识 | 第19-33页 |
| 2.1 图像分割 | 第19-22页 |
| 2.1.1 图像分割概述 | 第19-20页 |
| 2.1.2 经典的图像分割方法 | 第20-22页 |
| 2.2 卷积神经网络 | 第22-31页 |
| 2.2.1 神经网络概述 | 第22-28页 |
| 2.2.2 卷积神经网络的发展 | 第28-30页 |
| 2.2.3 卷积神经网络的基本结构 | 第30-31页 |
| 2.3 全卷积神经网络 | 第31-32页 |
| 2.4 小结 | 第32-33页 |
| 第三章 基于超声医学图像的分割方法 | 第33-54页 |
| 3.1 基于FCN的超声图像分割方法 | 第33-34页 |
| 3.2 基于U-Net的超声图像方法 | 第34-37页 |
| 3.3 基于残差结构的U-Net分割方法 | 第37-39页 |
| 3.4 一种改进的多尺度U-Net分割方法 | 第39-48页 |
| 3.4.1 多尺度目标分割 | 第40-41页 |
| 3.4.2 注意力机制 | 第41-46页 |
| 3.4.3 网络结构 | 第46-48页 |
| 3.5 甲状腺结节超声图像分割损失函数设计 | 第48-53页 |
| 3.5.1 交叉熵损失函数 | 第48-49页 |
| 3.5.2 Dice系数损失函数 | 第49-50页 |
| 3.5.3 改进的损失函数 | 第50-53页 |
| 3.6 小结 | 第53-54页 |
| 第四章 实验结果分析 | 第54-68页 |
| 4.1 实验环境 | 第54页 |
| 4.2 实验数据准备 | 第54-56页 |
| 4.2.1 数据预处理 | 第54-56页 |
| 4.2.2 数据增强 | 第56页 |
| 4.3 实验结果 | 第56-66页 |
| 4.3.1 分割方法实验验证 | 第57-63页 |
| 4.3.2 损失函数实验验证 | 第63-66页 |
| 4.4 小结 | 第66-68页 |
| 第五章 结束语 | 第68-70页 |
| 5.1 工作总结 | 第68页 |
| 5.2 下一步工作的建议 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
