| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-14页 |
| 1.1.1 CT的产生 | 第11-12页 |
| 1.1.2 CT的发展 | 第12-14页 |
| 1.1.3 CT稀疏重建研究的意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 CT中稀疏重建的研究现状 | 第14-15页 |
| 1.2.2 深度学习在CT中的研究现状 | 第15-16页 |
| 1.3 本文研究内容及工作安排 | 第16-18页 |
| 第二章 医学图像重建理论基础及卷积神经网络介绍 | 第18-43页 |
| 2.1 X射线理论基础 | 第18-27页 |
| 2.1.1 X射线的形成 | 第18-23页 |
| 2.1.2 X射线与物质间的作用 | 第23-27页 |
| 2.2 CT成像数学基础 | 第27-33页 |
| 2.2.1 X射线的投影测量 | 第27-28页 |
| 2.2.2 傅里叶变换 | 第28-30页 |
| 2.2.3 拉东变换 | 第30-32页 |
| 2.2.4 中心切片定理 | 第32-33页 |
| 2.3 CT图像重建算法 | 第33-40页 |
| 2.3.1 傅里叶变换重建算法 | 第33-36页 |
| 2.3.2 滤波反投影重建算法 | 第36-37页 |
| 2.3.3 稀疏重建算法 | 第37-40页 |
| 2.4 卷积神经网络概念与原理 | 第40-43页 |
| 第三章 基于残差学习的CT稀疏重建伪影校正 | 第43-57页 |
| 3.1 伪影校正设计 | 第43-48页 |
| 3.1.1 FBP稀疏重建 | 第43-44页 |
| 3.1.2 残差学习卷积神经网络的原理设计 | 第44-46页 |
| 3.1.3 残差学习卷积神经网络的结构设计 | 第46-47页 |
| 3.1.4 Adam优化加速设计 | 第47-48页 |
| 3.2 实验数据和网络参数设定 | 第48-50页 |
| 3.2.1 实验数据 | 第48页 |
| 3.2.2 网络训练和参数的设定 | 第48-50页 |
| 3.3 实验结果 | 第50-55页 |
| 3.3.0 图像评价 | 第50-51页 |
| 3.3.1 定性分析 | 第51-52页 |
| 3.3.2 定量分析 | 第52-55页 |
| 3.4 本章总结 | 第55-57页 |
| 第四章 改进GoogLeNet网络的CT稀疏重建伪影校正 | 第57-71页 |
| 4.1 改进型GoogLeNet网络 | 第57-58页 |
| 4.2 实验设计 | 第58-60页 |
| 4.3 实验环境 | 第60页 |
| 4.4 实验结果 | 第60-70页 |
| 4.4.1 低剂量CT伪影图像分析 | 第60-65页 |
| 4.4.2 含有肺癌CT伪影图像分析 | 第65-70页 |
| 4.5 本章小结 | 第70-71页 |
| 第五章 总结与展望 | 第71-74页 |
| 5.1 总结 | 第71-72页 |
| 5.2 展望 | 第72-74页 |
| 参考文献 | 第74-79页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第79-80页 |
| 致谢 | 第80页 |