| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外在该方向上的研究现状及分析 | 第10-14页 |
| 1.3 本文主要研究内容及章节安排 | 第14-16页 |
| 第2章 基于卷积神经网络的医学图像分割 | 第16-25页 |
| 2.1 引言 | 第16页 |
| 2.2 深度学习技术的介绍 | 第16-19页 |
| 2.3 卷积神经网络(CNN)算法的基本概念 | 第19-20页 |
| 2.4 卷积神经网络(CNN)的基本构成 | 第20-23页 |
| 2.4.1 卷积层(Convolution Layer) | 第20-22页 |
| 2.4.2 池化层(Pooling Layer) | 第22-23页 |
| 2.4.3 全连接层(Fully-connected Layer) | 第23页 |
| 2.5 基于传统卷积神经网络(CNN)的细胞核图像分割 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 基于全卷积神经网络(FCN)的医学图像分割 | 第25-42页 |
| 3.1 引言 | 第25-26页 |
| 3.2 全卷积神经网络(FCN)介绍 | 第26-32页 |
| 3.2.1 全连接层卷积化 | 第27-29页 |
| 3.2.2 上采样(upsampling) | 第29-30页 |
| 3.2.3 跳跃层(Skiplayer) | 第30-32页 |
| 3.3 医学图像分割评价指标 | 第32页 |
| 3.4 实验 | 第32-41页 |
| 3.4.1 实验数据 | 第32页 |
| 3.4.2 图像预处理 | 第32-35页 |
| 3.4.3 数据扩增 | 第35-36页 |
| 3.4.4 整体网络结构 | 第36页 |
| 3.4.5 模型的实验 | 第36-40页 |
| 3.4.6 实验结果分析 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于U-NET的医学图像分割 | 第42-49页 |
| 4.1 引言 | 第42页 |
| 4.2 U-NET模型介绍 | 第42-44页 |
| 4.3 实验 | 第44-48页 |
| 4.3.1 整体网络结构 | 第44-45页 |
| 4.3.2 模型的实验 | 第45-47页 |
| 4.3.3 实验结果与分析 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 基于改进型U-NET的医学图像分割 | 第49-62页 |
| 5.1 引言 | 第49页 |
| 5.2 损失函数的改进 | 第49-52页 |
| 5.3 空洞卷积 | 第52-53页 |
| 5.4 实验 | 第53-58页 |
| 5.4.1 整体网络结构 | 第53-54页 |
| 5.4.2 模型的实验 | 第54-57页 |
| 5.4.3 实验结果与分析 | 第57-58页 |
| 5.5 基于深度学习的图像分割网络的对比 | 第58-61页 |
| 5.6 本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第67-69页 |
| 致谢 | 第69页 |
