基于卷积神经网络的生物医学图像处理
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究的背景和意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.3 本文的创新点 | 第14-15页 |
| 1.4 主要工作与安排 | 第15-17页 |
| 第2章 卷积神经网络 | 第17-29页 |
| 2.1 卷积神经网络 | 第17-23页 |
| 2.2 激活函数 | 第23-25页 |
| 2.3 代价函数以及正则化技术 | 第25-27页 |
| 2.4 深度模型的优化方法 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于CNN的荧光显微图像解卷积研究 | 第29-44页 |
| 3.1 显微镜成像过程建模 | 第29-31页 |
| 3.2 经典的解卷积方法研究 | 第31-33页 |
| 3.3 基于CNN的解卷积模型 | 第33-36页 |
| 3.4 实验结果分析和讨论 | 第36-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第4章 基于CNN的CBCT统计迭代重建方法研究 | 第44-54页 |
| 4.1 CBCT成像数学模型 | 第44-45页 |
| 4.2 CBCT统计迭代重建算法 | 第45-46页 |
| 4.3 基于CNN的CBCT统计迭代重建改进算法 | 第46-49页 |
| 4.4 实验结果分析和讨论 | 第49-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 基于CNN的PET图像分割方法研究 | 第54-66页 |
| 5.1 PET成像原理以及特点 | 第54页 |
| 5.2 基于纹理特征的分割方法 | 第54-57页 |
| 5.3 基于特征融合的分割方法 | 第57-59页 |
| 5.4 实验结果分析和讨论 | 第59-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-69页 |
| 6.1 本文总结 | 第66-67页 |
| 6.2 工作展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 附录：攻读硕士期间发表的论文 | 第75页 |
