基于深度学习网络的血管内超声影像斑块识别与评估方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景和意义 | 第10-13页 |
| 1.1.1 冠心病 | 第10-11页 |
| 1.1.2 冠状动脉成像技术 | 第11-12页 |
| 1.1.3 研究意义 | 第12-13页 |
| 1.2 血管内斑块识别与评估研究现状 | 第13-15页 |
| 1.3 深度学习分割模型 | 第15-17页 |
| 1.3.1 深度学习分割模型简介 | 第15-17页 |
| 1.3.2 深度学习分割模型在医学图像中的应用 | 第17页 |
| 1.4 本文的组织和结构 | 第17-19页 |
| 第二章 血管内超声成像与斑块特性 | 第19-27页 |
| 2.1 血管内超声成像技术 | 第19-22页 |
| 2.1.1 IVUS成像原理 | 第19-20页 |
| 2.1.2 IVUS成像设备 | 第20-21页 |
| 2.1.3 IVUS成像优势 | 第21-22页 |
| 2.1.4 临床应用 | 第22页 |
| 2.2 冠状动脉IVUS影像学特性和斑块分类 | 第22-25页 |
| 2.2.1 IVUS影像学特性 | 第22-24页 |
| 2.2.2 斑块分类 | 第24-25页 |
| 2.3 冠状动脉斑块评估参数 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 深度学习分割模型 | 第27-38页 |
| 3.1 概述 | 第27页 |
| 3.2 深度学习分割模型关键结构解析 | 第27-35页 |
| 3.2.1 卷积层和池化 | 第27-29页 |
| 3.2.2 转置卷积层和上池化 | 第29-30页 |
| 3.2.3 编码解码结构 | 第30-31页 |
| 3.2.4 激活函数 | 第31-32页 |
| 3.2.5 密集级联和残差结构 | 第32-34页 |
| 3.2.6 损失函数 | 第34页 |
| 3.2.7 优化器 | 第34-35页 |
| 3.3 模型总体架构 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 血管内斑块识别和评估 | 第38-58页 |
| 4.1 研究对象和数据采集 | 第38-41页 |
| 4.2 预处理 | 第41-42页 |
| 4.2.1 数据扩增 | 第41页 |
| 4.2.2 坐标变换 | 第41-42页 |
| 4.3 实验方法 | 第42-46页 |
| 4.3.1 血管中内膜区域分割 | 第42-45页 |
| 4.3.2 血管内斑块识别 | 第45-46页 |
| 4.4 实验结果与分析 | 第46-53页 |
| 4.4.1 实验结果 | 第46-51页 |
| 4.4.2 分析与讨论 | 第51-53页 |
| 4.5 斑块定量评估 | 第53-55页 |
| 4.6 冠脉临界病变的评估 | 第55-57页 |
| 4.7 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68-69页 |
| 附录 | 第69页 |
