| 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16-22页 |
| 1.1 研究背景和意义 | 第16-17页 |
| 1.2 启发式深度学习方法 | 第17-18页 |
| 1.3 论文主要内容与章节安排 | 第18-22页 |
| 第二章 低质医学影像解译和深度学习模型 | 第22-32页 |
| 2.1 医学影像解译 | 第22-25页 |
| 2.1.1 常见医学影像技术 | 第22-24页 |
| 2.1.2 低质医学影像解译 | 第24-25页 |
| 2.2 常见深度学习模型 | 第25-28页 |
| 2.2.1 自动编码机 | 第26-27页 |
| 2.2.2 卷积神经网络 | 第27-28页 |
| 2.3 深度学习方法在低质医学影像解译上的应用与挑战 | 第28-29页 |
| 2.4 本章小结 | 第29-32页 |
| 第三章 基于降噪自动编码机的MVCT图像去噪 | 第32-50页 |
| 3.1 引言 | 第32页 |
| 3.2 现有方法 | 第32-33页 |
| 3.3 相关理论基础 | 第33-35页 |
| 3.4 MVCT图像半监督去噪模型 | 第35-41页 |
| 3.4.1 半监督去噪方式 | 第35-36页 |
| 3.4.2 去噪网络模型 | 第36-38页 |
| 3.4.3 协同去噪框架 | 第38-41页 |
| 3.5 启发式信息 | 第41-42页 |
| 3.6 实验结果与讨论 | 第42-49页 |
| 3.6.1 实验数据与参数 | 第42-43页 |
| 3.6.2 实验结果与评价指标 | 第43-48页 |
| 3.6.3 分析与讨论 | 第48-49页 |
| 3.7 本章小结 | 第49-50页 |
| 第四章 基于梯度正则卷积神经网络的LDCT图像增强 | 第50-68页 |
| 4.1 引言 | 第50页 |
| 4.2 相关理论基础 | 第50-52页 |
| 4.3 梯度正则化图像增强模型 | 第52-55页 |
| 4.4 启发式信息 | 第55-56页 |
| 4.5 实验结果与讨论 | 第56-67页 |
| 4.5.1 实验数据与环境 | 第56-57页 |
| 4.5.2 数据预处理 | 第57-58页 |
| 4.5.3 参数分析 | 第58-60页 |
| 4.5.4 对比方法与评价指标 | 第60-61页 |
| 4.5.5 实验结果 | 第61-64页 |
| 4.5.6 分析与讨论 | 第64-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第五章 基于加权U-Net模型的低场强MRI图像胃部分割 | 第68-80页 |
| 5.1 引言 | 第68页 |
| 5.2 现有方法 | 第68-69页 |
| 5.3 相关理论基础 | 第69-71页 |
| 5.4 低场强MRI增强分割序贯模型 | 第71-73页 |
| 5.5 实验结果与讨论 | 第73-78页 |
| 5.5.1 实验数据与参数 | 第73-74页 |
| 5.5.2 数据预处理 | 第74页 |
| 5.5.3 对比算法与评价指标 | 第74-75页 |
| 5.5.4 分割结果与分析讨论 | 第75-78页 |
| 5.6 本章小结 | 第78-80页 |
| 第六章 总结与展望 | 第80-82页 |
| 参考文献 | 第82-92页 |
| 致谢 | 第92-94页 |
| 作者简介 | 第94-96页 |
