| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-8页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文主要研究内容与论文结构 | 第11-14页 |
| 2 医学CT图像分割的基本理论 | 第14-30页 |
| 2.1 医学CT图像的特点 | 第14-18页 |
| 2.1.1 医学CT影像格式DICOM | 第14页 |
| 2.1.2 CT值 | 第14-15页 |
| 2.1.3 窗宽、窗位和成像坐标系 | 第15-18页 |
| 2.2 常见图像分割方法 | 第18-20页 |
| 2.2.1 基于阈值的分割方法 | 第18-19页 |
| 2.2.2 基于边缘的分割方法 | 第19页 |
| 2.2.3 基于区域的分割方法 | 第19-20页 |
| 2.2.4 基于图论的分割方法 | 第20页 |
| 2.2.5 基于能量泛函的分割方法 | 第20页 |
| 2.3 卷积神经网络的基本概念 | 第20-24页 |
| 2.3.1 单层卷积神经网络 | 第20-22页 |
| 2.3.2 卷积神经网络 | 第22-24页 |
| 2.3.3 神经卷积网络的特点 | 第24页 |
| 2.4 深度学习的常用模型 | 第24-28页 |
| 2.4.1 模型的发展 | 第24-25页 |
| 2.4.2 全卷积网络 | 第25-26页 |
| 2.4.3 残差网络 | 第26-27页 |
| 2.4.4 RCNN系列 | 第27-28页 |
| 2.5 本章小结 | 第28-30页 |
| 3 医学CT图像人体组织的分割流程 | 第30-36页 |
| 3.1 分割流程 | 第30-31页 |
| 3.2 常用制作标注的工具 | 第31-33页 |
| 3.3 标注与可视化平台 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 4 基于传统方法的医学CT图像人体组织自动分割研究 | 第36-48页 |
| 4.1 肺部分割 | 第36-42页 |
| 4.1.1 肺部分割的传统医学方法 | 第37-38页 |
| 4.1.2 传统医学的肺部自动分割 | 第38-42页 |
| 4.1.3 肺部标签数据批处理 | 第42页 |
| 4.2 骨骼分割 | 第42-46页 |
| 4.2.1 骨骼分割的传统医学方法 | 第43页 |
| 4.2.2 传统医学的骨骼自动分割 | 第43-45页 |
| 4.2.3 骨骼标签数据批处理 | 第45-46页 |
| 4.3 本章小结 | 第46-48页 |
| 5 基于深度学习的医学CT图像人体组织自动分割研究 | 第48-66页 |
| 5.1 肺部分割 | 第48-55页 |
| 5.1.1 二维网络分割 | 第48-50页 |
| 5.1.2 三维网络分割 | 第50-52页 |
| 5.1.3 分割结果分析 | 第52-55页 |
| 5.2 骨骼分割 | 第55-59页 |
| 5.2.1 骨骼的自动分割 | 第55-57页 |
| 5.2.2 分割结果分析 | 第57-59页 |
| 5.3 脑出血分割 | 第59-65页 |
| 5.3.1 脑出血分割算法 | 第61页 |
| 5.3.2 脑出血标签的制作 | 第61-62页 |
| 5.3.3 脑出血自动分割 | 第62-63页 |
| 5.3.4 分割结果分析 | 第63-65页 |
| 5.4 本章小结 | 第65-66页 |
| 6 总结与展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 附录 | 第74-76页 |
| A 作者在攻读硕士学位期间发表的论文目录 | 第74-75页 |
| B 学位论文数据集 | 第75-76页 |
| 致谢 | 第76页 |