| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 婴幼儿脑MR图像分割难点 | 第13-14页 |
| 1.4 本文的研究工作 | 第14-15页 |
| 1.5 本文的组织结构 | 第15-17页 |
| 第2章 脑MR图像分割算法综述 | 第17-27页 |
| 2.1 图像分割定义 | 第17页 |
| 2.2 脑MR图像分割流程概述 | 第17-21页 |
| 2.2.1 图像数据获取 | 第18页 |
| 2.2.2 图像预处理 | 第18-19页 |
| 2.2.3 常见分割特征介绍 | 第19-20页 |
| 2.2.4 经典分割算法介绍 | 第20页 |
| 2.2.5 图像分割后处理 | 第20页 |
| 2.2.6 图像分割评价指标 | 第20-21页 |
| 2.3 脑MR图像经典分割方法概述 | 第21-25页 |
| 2.3.1 基于聚类的分割方法 | 第21页 |
| 2.3.2 基于图谱引导的分割方法 | 第21-22页 |
| 2.3.3 基于随机场的分割方法 | 第22-23页 |
| 2.3.4 基于神经网络的分割方法 | 第23-24页 |
| 2.3.5 基于深度学习的分割方法 | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 基于改进SOM神经网络的婴幼儿脑MR图像分割算法研究 | 第27-47页 |
| 3.1 SOM神经网络 | 第27-31页 |
| 3.1.1 SOM神经网络的拓扑结构 | 第27-28页 |
| 3.1.2 SOM神经网络的竞争机制 | 第28-30页 |
| 3.1.3 SOM神经网络的运行步骤 | 第30-31页 |
| 3.2 SOM神经网络输入数据预处理 | 第31-33页 |
| 3.3 基于SOM神经网络的图像特征提取 | 第33-35页 |
| 3.4 基于GA的特征降维处理 | 第35-38页 |
| 3.5 改进搜索路径的梯度熵聚类 | 第38-42页 |
| 3.5.1 SOM神经网络初步聚类 | 第38-39页 |
| 3.5.2 基于粒子群算法的参数优化 | 第39-40页 |
| 3.5.3 单邻域梯度熵搜索聚类算法 | 第40-41页 |
| 3.5.4 基于混合邻域的改进梯度熵搜索聚类算法 | 第41-42页 |
| 3.6 基于SOM神经网络的改进最小标准差搜索聚类算法 | 第42-43页 |
| 3.7 实验结果及分析 | 第43-46页 |
| 3.8 本章小结 | 第46-47页 |
| 第4章 基于改进CNN的2D婴幼儿脑MR图像分割算法研究 | 第47-67页 |
| 4.1 卷积神经网络的优势 | 第47页 |
| 4.2 卷积神经网络的理论基础 | 第47-54页 |
| 4.2.1 CNN计算模块 | 第47-50页 |
| 4.2.2 CNN训练过程 | 第50-54页 |
| 4.3 改进的CNN总体结构 | 第54-58页 |
| 4.3.1 基于GLCM的改进网络输入 | 第54-55页 |
| 4.3.2 基于婴幼儿脑MR图像特点改进的CNN网络结构 | 第55-58页 |
| 4.4 2D婴幼儿脑MR图像训练过程 | 第58-59页 |
| 4.5 实验结果及分析 | 第59-64页 |
| 4.5.1 网络结构对比及分析 | 第59-63页 |
| 4.5.2 改进前后算法对比及分析 | 第63-64页 |
| 4.6 本章小结 | 第64-67页 |
| 第5章 基于改进CNN的3D婴幼儿脑MR图像分割算法研究 | 第67-83页 |
| 5.1 3D婴幼儿脑MR图像分割优势 | 第67-68页 |
| 5.2 3D婴幼儿脑MR图像卷积运算 | 第68-69页 |
| 5.3 基于婴幼儿脑MR图像特点的3D卷积神经网络结构设计 | 第69-74页 |
| 5.3.1 基于SOM神经网络的改进分类估计 | 第69-70页 |
| 5.3.2 基于多视角-局部-全局的改进网络输入 | 第70-72页 |
| 5.3.3 改进后的3D婴幼儿脑MR图像分割总体网络结构 | 第72-74页 |
| 5.4 3D婴幼儿脑MR图像训练过程 | 第74-75页 |
| 5.5 实验结果及分析 | 第75-80页 |
| 5.6 本章小结 | 第80-83页 |
| 第6章 总结与展望 | 第83-85页 |
| 6.1 本文工作总结 | 第83-84页 |
| 6.2 未来工作展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 致谢 | 第89-91页 |
| 附录 | 第91页 |
