多模态MRI脑肿瘤图像分割方法研究
| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题背景意义 | 第12-13页 |
| 1.2 研究进展 | 第13-15页 |
| 1.2.1 深度学习前时代 | 第13-14页 |
| 1.2.2 基于深度学习的方法 | 第14-15页 |
| 1.3 论文主要内容 | 第15页 |
| 1.4 论文内容安排 | 第15-18页 |
| 第2章 脑肿瘤图像及分割技术 | 第18-28页 |
| 2.1 MRI | 第18-20页 |
| 2.1.1 MRI | 第18页 |
| 2.1.2 MRI参数 | 第18-19页 |
| 2.1.3 MRI脑肿瘤图像的分割难点 | 第19-20页 |
| 2.2 传统图像分割技术 | 第20-27页 |
| 2.2.1 阈值分割 | 第20-21页 |
| 2.2.2 基于边缘的分割 | 第21-24页 |
| 2.2.3 基于区域的分割 | 第24-25页 |
| 2.2.4 主动轮廓模型 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 基于超像素与SVM的图像分割 | 第28-38页 |
| 3.1 超像素分割理论 | 第28-31页 |
| 3.1.1 超像素分类 | 第28-29页 |
| 3.1.2 SLIC算法 | 第29-31页 |
| 3.2 特征提取 | 第31-33页 |
| 3.2.1 灰度特征 | 第31-32页 |
| 3.2.2 纹理特征 | 第32-33页 |
| 3.3 支持向量机 | 第33-36页 |
| 3.3.1 线性情况 | 第34-35页 |
| 3.3.2 非线性情况 | 第35-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第4章 卷积神经网络 | 第38-48页 |
| 4.1 神经网络 | 第38-40页 |
| 4.1.1 感知器 | 第38页 |
| 4.1.2 激活函数 | 第38-39页 |
| 4.1.3 损失函数 | 第39-40页 |
| 4.2 卷积神经网络 | 第40-44页 |
| 4.2.1 卷积原理与卷积层 | 第41-42页 |
| 4.2.2 池化层 | 第42-44页 |
| 4.3 全卷积神经网络 | 第44-45页 |
| 4.3.1 FCN的网络特点和结构 | 第44页 |
| 4.3.2 U-Net | 第44-45页 |
| 4.4 深度学习框架 | 第45-47页 |
| 4.4.1 深度学习框架概况 | 第45-46页 |
| 4.4.2 TensorLayer | 第46-47页 |
| 4.4.3 实验环境配置 | 第47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 实验结果及讨论 | 第48-60页 |
| 5.1 超像素分割 | 第48-53页 |
| 5.1.1 图像采集和预处理 | 第48-49页 |
| 5.1.2 超像素参数选择 | 第49-51页 |
| 5.1.3 分割模型构建 | 第51-53页 |
| 5.1.4 结果和讨论 | 第53页 |
| 5.2 全卷积神经网络分割 | 第53-58页 |
| 5.2.1 图像采集和数据增强 | 第54-55页 |
| 5.2.2 参数设置 | 第55-56页 |
| 5.2.3 训练和优化 | 第56页 |
| 5.2.4 结果参数分析 | 第56-58页 |
| 5.3 实验结果对比 | 第58-59页 |
| 5.4 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-67页 |
| 学位论文评阅及答辩情况表 | 第67页 |
