| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外发展现状 | 第13-15页 |
| 1.3 本文的主要工作和内容安排 | 第15-17页 |
| 第二章 基于非学习方法的脑肿瘤MR图像分割 | 第17-24页 |
| 2.1 基于阈值的分割方法 | 第17-18页 |
| 2.2 基于边界的分割方法 | 第18页 |
| 2.3 基于区域的分割方法 | 第18-19页 |
| 2.3.1 区域生长算法 | 第18-19页 |
| 2.3.2 分水岭算法 | 第19页 |
| 2.4 基于变形的分割方法 | 第19-22页 |
| 2.4.1 参数变形模型 | 第20页 |
| 2.4.2 几何变形模型 | 第20-22页 |
| 2.5 基于小波变换的分割方法 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 基于机器学习的脑肿瘤MR图像分割 | 第24-31页 |
| 3.1 模糊C均值 | 第24-25页 |
| 3.2 马尔科夫随机场 | 第25-27页 |
| 3.3 支持向量机 | 第27-29页 |
| 3.4 随机森林 | 第29-30页 |
| 3.5 本章小结 | 第30-31页 |
| 第四章 基于CNN的图像分割 | 第31-39页 |
| 4.1 参数初始化 | 第31页 |
| 4.2 激活函数 | 第31-33页 |
| 4.3 池化 | 第33页 |
| 4.4 损失函数 | 第33-35页 |
| 4.5 优化过程 | 第35-37页 |
| 4.6 其他细节 | 第37-38页 |
| 4.7 全卷积网络 | 第38页 |
| 4.8 本章小结 | 第38-39页 |
| 第五章 结合CRF的DCNN脑肿瘤MR图像分割方法 | 第39-51页 |
| 5.1 引言 | 第39页 |
| 5.2 改进的DCNN结构 | 第39-43页 |
| 5.2.1 空洞卷积与ASPP | 第39-41页 |
| 5.2.2 级联结构 | 第41-42页 |
| 5.2.3 残差连接 | 第42-43页 |
| 5.2.4 整体网络结构 | 第43页 |
| 5.3 条件随机场 | 第43-44页 |
| 5.4 实验对比与结果分析 | 第44-50页 |
| 5.4.1 数据库 | 第44-45页 |
| 5.4.2 神经网络实现 | 第45页 |
| 5.4.3 评判标准 | 第45-46页 |
| 5.4.4 分割结果 | 第46-50页 |
| 5.5 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 参考文献 | 第53-63页 |
| 攻读硕士学位期间发表的学术论文 | 第63-65页 |
| 致谢 | 第65页 |