基于学习的腰椎检测与跟踪方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-13页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 目标检测算法 | 第8-9页 |
| 1.2.2 目标跟踪算法 | 第9-11页 |
| 1.3 腰椎检测与跟踪技术的难点 | 第11页 |
| 1.4 论文研究内容及章节安排 | 第11-13页 |
| 1.4.1 研究内容 | 第11-12页 |
| 1.4.2 章节安排 | 第12-13页 |
| 2 深度学习算法理论 | 第13-24页 |
| 2.1 BP神经网络 | 第13-17页 |
| 2.1.1 神经元模型 | 第13-14页 |
| 2.1.2 前馈神经网络 | 第14-15页 |
| 2.1.3 反向传播算法 | 第15-17页 |
| 2.2 卷积神经网络 | 第17-21页 |
| 2.2.1 卷积神经网络的拓扑结构 | 第17-18页 |
| 2.2.2 卷积神经网络的特点 | 第18-19页 |
| 2.2.3 卷积层梯度计算 | 第19-20页 |
| 2.2.4 降采样层梯度计算 | 第20页 |
| 2.2.5 卷积神经网络示例 | 第20-21页 |
| 2.3 自动编码机 | 第21-23页 |
| 2.3.1 自动编码机的模型结构 | 第21-22页 |
| 2.3.2 自动编码机的训练过程 | 第22-23页 |
| 2.3.3 栈式自动编码机 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 基于卷积神经网络的腰椎检测方法 | 第24-43页 |
| 3.1 腰椎候选区域初始化 | 第24-27页 |
| 3.1.1 腰椎角度检测的特征选择 | 第24-25页 |
| 3.1.2 霍夫变换 | 第25页 |
| 3.1.3 角点检测 | 第25-26页 |
| 3.1.4 腰椎候选区域的初始化 | 第26-27页 |
| 3.2 预处理过程 | 第27-31页 |
| 3.2.1 对比度拉伸 | 第27页 |
| 3.2.2 全变分去噪模型 | 第27-31页 |
| 3.3 腰椎检测卷积神经网络 | 第31-34页 |
| 3.3.1 腰椎检测卷积神经网络模型 | 第31-32页 |
| 3.3.2 腰椎检测模型改进 | 第32页 |
| 3.3.3 Dropout方法 | 第32-34页 |
| 3.4 基于卷积神经网络的腰椎检测方法 | 第34-42页 |
| 3.4.1 腰椎检测算法实现 | 第34-35页 |
| 3.4.2 实验结果与分析 | 第35-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 基于栈式自动编码机的腰椎跟踪方法 | 第43-60页 |
| 4.1 粒子滤波算法原理 | 第43-48页 |
| 4.1.1 贝叶斯滤波原理 | 第43-44页 |
| 4.1.2 蒙特卡洛方法 | 第44-45页 |
| 4.1.3 重要性采样 | 第45-47页 |
| 4.1.4 粒子滤波的退化现象和重采样 | 第47-48页 |
| 4.1.5 粒子滤波算法的实现过程 | 第48页 |
| 4.2 腰椎跟踪栈式自动编码机 | 第48-50页 |
| 4.2.1 腰椎跟踪神经网络结构 | 第48-50页 |
| 4.2.2 半监督训练模式 | 第50页 |
| 4.3 基于栈式自动编码机的腰椎跟踪方法 | 第50-59页 |
| 4.3.1 腰椎跟踪算法实现 | 第50-52页 |
| 4.3.2 实验结果与分析 | 第52-59页 |
| 4.4 本章小结 | 第59-60页 |
| 5 总结和展望 | 第60-62页 |
| 5.1 工作总结 | 第60-61页 |
| 5.2 研究展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 附录 | 第68页 |
