| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第11-29页 |
| 1.1 医学图像分割的背景与应用 | 第11-13页 |
| 1.1.1 医学影像处理与分析 | 第11-12页 |
| 1.1.2 医学图像分割的定义 | 第12页 |
| 1.1.3 医学图像分割的意义与应用 | 第12-13页 |
| 1.2 医学图像分割方法综述 | 第13-20页 |
| 1.2.1 基于边缘的分割方法 | 第13-15页 |
| 1.2.2 基于区域的方法 | 第15-17页 |
| 1.2.3 基于图论的分割方法 | 第17-18页 |
| 1.2.4 基于形状先验的分割模型 | 第18页 |
| 1.2.5 基于学习的分割方法 | 第18-19页 |
| 1.2.6 混合方法 | 第19-20页 |
| 1.3 本文用到的分割方法的理论知识 | 第20-26页 |
| 1.3.1 变分法与梯度下降流 | 第20-23页 |
| 1.3.2 图割方法 | 第23-25页 |
| 1.3.3 卷积神经网络 | 第25-26页 |
| 1.4 本文研究内容及创新点 | 第26-29页 |
| 1.4.1 研究内容 | 第26-27页 |
| 1.4.2 主要创新点 | 第27-29页 |
| 第二章 肝脏CT图像的相关知识与医学图像分割 | 第29-39页 |
| 2.1 肝脏的解剖结构与生理功能 | 第29-30页 |
| 2.2 肝脏CT图像的获取 | 第30-34页 |
| 2.2.1 CT成像的相关知识 | 第30-32页 |
| 2.2.2 肝脏CT检查方法 | 第32-34页 |
| 2.3 肝脏CT图像的特点与分割难点 | 第34-35页 |
| 2.4 当前CT图像中肝脏组织分割方法的研究现状与发展趋势 | 第35-39页 |
| 2.4.1 当前肝脏分割方法的研究现状 | 第35-36页 |
| 2.4.2 当前肝脏分割方法的发展趋势 | 第36-39页 |
| 第三章 一个基于测地距离选择的变分模型在三维肝脏分割中的应用 | 第39-53页 |
| 3.1 引言 | 第39-40页 |
| 3.2 基于测地距离选择的变分模型 | 第40-45页 |
| 3.2.1 模型的基本要素 | 第40-43页 |
| 3.2.2 测地距离函数 | 第43-44页 |
| 3.2.3 基于测地选择的混合变分模型 | 第44页 |
| 3.2.4 所提出的模型的推广 | 第44-45页 |
| 3.3 模型的数值实现 | 第45-48页 |
| 3.4 三维分割结果验证与比较 | 第48-52页 |
| 3.4.1 数据集与量化度量 | 第48-49页 |
| 3.4.2 参数设置 | 第49页 |
| 3.4.3 加权直方图的性能实验 | 第49页 |
| 3.4.4 公共数据集上与标准分割结果的对比实验 | 第49-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于三维卷积神经网络和图割的肝脏全自动分割方法(3D CNN-GC) | 第53-75页 |
| 4.1 本文采用的三维卷积神经网络模型的结构 | 第53-54页 |
| 4.2 基于图割的精确化分割模型 | 第54-57页 |
| 4.3 所提模型的具体分割流程 | 第57-61页 |
| 4.3.1 预处理 | 第57-58页 |
| 4.3.2 初始肝脏区域的定位 | 第58-60页 |
| 4.3.3 精确化分割结果 | 第60-61页 |
| 4.4 数值实验 | 第61-73页 |
| 4.4.1 量化度量 | 第61页 |
| 4.4.2 数据集 | 第61-63页 |
| 4.4.3 2D卷积神经网络与3D卷积神经经网络性能比较实验 | 第63-65页 |
| 4.4.4 肝脏概率图的重要性 | 第65页 |
| 4.4.5 3D CNN-GC模型分割结果与手工分割的对比实验 | 第65-67页 |
| 4.4.6 相关性与一致性分析实验 | 第67-69页 |
| 4.4.7 3D CNN-GC模型与其他方法的对比结果 | 第69-71页 |
| 4.4.8 两个特别的例子 | 第71-73页 |
| 4.5 本章小结 | 第73-75页 |
| 第五章 总结与展望 | 第75-77页 |
| 5.1 工作总结 | 第75-76页 |
| 5.2 未来展望 | 第76-77页 |
| 参考文献 | 第77-91页 |
| 完成文章目录 | 第91-93页 |
| 简历 | 第93-95页 |
| 致谢 | 第95页 |
