| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 选题背景及研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 主要工作及创新点 | 第10-12页 |
| 第二章 基于卷积神经网络的脑肿瘤图像分割 | 第12-22页 |
| 2.1 卷积神经网络 | 第12页 |
| 2.2 卷积神经网络的基本组成部分 | 第12-13页 |
| 2.3 卷积神经网络的算法组成部分 | 第13-17页 |
| 2.3.1 预处理 | 第14-15页 |
| 2.3.2 激活函数 | 第15页 |
| 2.3.3 池化 | 第15页 |
| 2.3.4 规则化 | 第15页 |
| 2.3.5 损失函数 | 第15-16页 |
| 2.3.6 随机梯度下降算法 | 第16-17页 |
| 2.4 实验设置及图像分割 | 第17-22页 |
| 2.4.1 分割的评估标准 | 第17页 |
| 2.4.2 块提取 | 第17-18页 |
| 2.4.3 构建卷积神经网络模型 | 第18-19页 |
| 2.4.4 分割结果 | 第19-22页 |
| 第三章 基于支持向量机的脑肿瘤图像分割 | 第22-38页 |
| 3.1 支持向量机理论 | 第22-26页 |
| 3.1.1 线性可分的最优分类面 | 第22-24页 |
| 3.1.1.1 广义最优分类面 | 第22-23页 |
| 3.1.1.2 优化求解 | 第23-24页 |
| 3.1.1.3 构造判别函数 | 第24页 |
| 3.1.2 线性不可分的最优分类面 | 第24-26页 |
| 3.1.3 核函数 | 第26页 |
| 3.2 实验分析与结论 | 第26-38页 |
| 3.2.1 训练样本获取 | 第26-27页 |
| 3.2.2 分割参数选择及其设置 | 第27-33页 |
| 3.2.3 图像分割结果 | 第33-38页 |
| 第四章 基于深层的CNN迁移学习到SVM的MRI脑肿瘤分割 | 第38-46页 |
| 4.1 迁移学习 | 第38-39页 |
| 4.2 深层的CNN迁移学习到SVM模型构建 | 第39-41页 |
| 4.3 图像分割及对比分析 | 第41-46页 |
| 第五章 工作总结与展望 | 第46-48页 |
| 参考文献 | 第48-54页 |
| 攻读硕士学位期间发表的学术论文 | 第54-56页 |
| 致谢 | 第56页 |