| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外概况和发展趋势 | 第10-13页 |
| 1.2.1 医学图像分割方法概况和发展趋势 | 第10页 |
| 1.2.2 心脏MR图像左心室分割的难点和研究现状 | 第10-12页 |
| 1.2.3 基于深度学习的心脏MR图像左心室分割研究现状 | 第12-13页 |
| 1.3 本文的研究内容 | 第13页 |
| 1.4 本文的结构安排 | 第13-16页 |
| 第二章 基于深度学习的图像分割基础理论 | 第16-31页 |
| 2.1 人工神经网络的基本原理 | 第16-20页 |
| 2.1.1 神经元 | 第16-17页 |
| 2.1.2 激活函数 | 第17-19页 |
| 2.1.3 反向传播算法 | 第19-20页 |
| 2.2 基于卷积神经网络的图像分割方法 | 第20-25页 |
| 2.2.1 卷积神经网络特点及结构 | 第21-25页 |
| 2.2.2 基于卷积神经网络的图像分割方法 | 第25页 |
| 2.3 基于全卷积神经网络的图像分割方法 | 第25-29页 |
| 2.3.1 全卷积神经网络概述 | 第25-27页 |
| 2.3.2 全卷积神经网络图像分割及其医学应用 | 第27-29页 |
| 2.4 分割结果的评价标准 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于U-net网络的心脏MR图像左心室分割研究 | 第31-43页 |
| 3.1 引言 | 第31页 |
| 3.2 U-Net网络 | 第31-35页 |
| 3.2.1 批量归一化 | 第32-34页 |
| 3.2.2 基于Dice系数的损失函数 | 第34-35页 |
| 3.3 左心室分割数据集介绍 | 第35-36页 |
| 3.4 实验结果与分析 | 第36-41页 |
| 3.4.1 实验环境搭建 | 第36-37页 |
| 3.4.2 实验设计与结果分析 | 第37-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 基于改进U-net网络的心脏MR图像左心室分割研究 | 第43-54页 |
| 4.1 引言 | 第43页 |
| 4.2 基于U-net网络的医学图像分割的改进概述 | 第43-44页 |
| 4.3 基于U-net网络的心脏MR图像左心室分割存在的问题 | 第44页 |
| 4.4 改进的U-net网络 | 第44-49页 |
| 4.4.1 改进后的U-net网络框架 | 第45-46页 |
| 4.4.2 多尺度输入输出图像 | 第46页 |
| 4.4.3 注意力模块 | 第46-48页 |
| 4.4.4 基于Tversky系数的损失函数 | 第48-49页 |
| 4.5 实验设计与结果分析 | 第49-52页 |
| 4.6 本章小结 | 第52-54页 |
| 第五章 基于图割优化的心脏MR图像左心室分割后处理研究 | 第54-64页 |
| 5.1 引言 | 第54页 |
| 5.2 基于深度学习图像分割后处理概述 | 第54-55页 |
| 5.3 基于图割的图像分割基础理论 | 第55-59页 |
| 5.3.1 图论基础 | 第55-57页 |
| 5.3.2 基于图论的图像分割算法 | 第57-59页 |
| 5.4 基于全卷积神经网络的图割后处理快速算法 | 第59-61页 |
| 5.5 实验结果分析 | 第61-63页 |
| 5.6 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 工作总结 | 第64-65页 |
| 6.2 未来展望 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第69-70页 |
| 附录2 攻读硕士学位期间申请的专利 | 第70-71页 |
| 致谢 | 第71页 |
