| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 课题研究背景及意义 | 第11-13页 |
| 1.1.1 课题背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-22页 |
| 1.2.1 手术导航相关技术的原理及研究现状 | 第13-16页 |
| 1.2.2 肿瘤分割与诊断研究现状 | 第16-17页 |
| 1.2.3 医学图像配准研究现状 | 第17-22页 |
| 1.3 本文的研究内容及主要贡献 | 第22-23页 |
| 1.4 论文的章节安排 | 第23-25页 |
| 第2章 基于传统卷积神经网络的肿瘤图像分割 | 第25-41页 |
| 2.1 问题概述 | 第25-26页 |
| 2.2 传统的肿瘤图像分割方法 | 第26-29页 |
| 2.2.1 图像阈值分割法 | 第26-27页 |
| 2.2.2 图像区域生长法 | 第27页 |
| 2.2.3 图像边缘检测法 | 第27-28页 |
| 2.2.4 基于训练分类器的方法 | 第28页 |
| 2.2.5 基于聚类的方法 | 第28页 |
| 2.2.6 基于浅层神经网络的分割方法 | 第28-29页 |
| 2.3 基于单通道CNNS的肿瘤分割 | 第29-33页 |
| 2.3.1 CNNs网络误差函数 | 第30-31页 |
| 2.3.2 CNNs的前向传播机制 | 第31页 |
| 2.3.3 CNNs的反向传播机制 | 第31-33页 |
| 2.3.4 CNNs各类功能层模型介绍 | 第33页 |
| 2.4 基于CNNS的肿瘤分割与识别架构模型 | 第33-35页 |
| 2.5 实验结果及分析 | 第35-39页 |
| 2.5.1 数据及度量标准介绍 | 第35-36页 |
| 2.5.2 CNNs对不同像素块的分类结果 | 第36-37页 |
| 2.5.3 CNNs自学习的图像特征 | 第37-39页 |
| 2.5.4 CNNs与其它方法对比 | 第39页 |
| 2.6 本章小结 | 第39-41页 |
| 第3章 基于多通道CNNS的多体位肿瘤分割方法 | 第41-49页 |
| 3.1 问题描述 | 第41页 |
| 3.2 多通道卷积神经网络模型 | 第41-44页 |
| 3.2.1 CNNs基本原理 | 第41-43页 |
| 3.2.2 多通道CNNs模型 | 第43-44页 |
| 3.3 实验结果与分析 | 第44-48页 |
| 3.3.1 单通道CNNs不同架构实验对比 | 第45页 |
| 3.3.2 单通道CNNs不同特征参数对比 | 第45-46页 |
| 3.3.3 三通道CNNs与二通道CNNs模型对比 | 第46-47页 |
| 3.3.4 多通道CNNs与其它方法对比 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 深度迭代LOG-DEMONS微分同胚配准方法 | 第49-73页 |
| 4.1 问题概述 | 第49-50页 |
| 4.2 图像配准的基本概念 | 第50-54页 |
| 4.2.1 传统图像配准的概念 | 第50-51页 |
| 4.2.2 基于特征的肿瘤图像配准方法 | 第51-54页 |
| 4.2.3 配准算法的评价 | 第54页 |
| 4.3 深度迭代配准框架 | 第54-55页 |
| 4.4 基于CNNS的图像预配准 | 第55-60页 |
| 4.4.1 使用CNNs实现预配准的优势 | 第55-57页 |
| 4.4.2 基于CNNs的预配准原理 | 第57-59页 |
| 4.4.3 基于CNNs的预配准框架 | 第59-60页 |
| 4.5 双层深度迭代配准框架 | 第60-63页 |
| 4.5.1 传统Demons配准方法 | 第60-62页 |
| 4.5.2 双层深度迭代配准方法 | 第62-63页 |
| 4.6 实验结果与分析 | 第63-72页 |
| 4.6.1 实验数据介绍 | 第63-64页 |
| 4.6.2 CNNs的分类精度 | 第64-66页 |
| 4.6.3 图像配准精度验证 | 第66-69页 |
| 4.6.4 配准的收敛速度对比 | 第69-70页 |
| 4.6.5 配准时间对比 | 第70-71页 |
| 4.6.6 图像配准平台 | 第71-72页 |
| 4.7 本章小结 | 第72-73页 |
| 第5章 配准算法中基于PCA的相似性测度分析 | 第73-85页 |
| 5.1 问题描述 | 第73页 |
| 5.2 相似性测度介绍 | 第73-77页 |
| 5.2.1 相似性测度定义 | 第74页 |
| 5.2.2 基于互信息的相似性测度 | 第74-75页 |
| 5.2.3 基于互相关的相似性测度 | 第75页 |
| 5.2.4 基于差值图像熵的相似性测度 | 第75-76页 |
| 5.2.5 基于Pearson相似度的相似性测度 | 第76页 |
| 5.2.6 基于Spearman相似度的相似性测度 | 第76-77页 |
| 5.2.7 基于Kendall相似度的相似性测度 | 第77页 |
| 5.3 基于PCA的相似性测度优化 | 第77-78页 |
| 5.3.1 PCA特性及原理 | 第77页 |
| 5.3.2 配准流程中相似性测度的PCA优化 | 第77-78页 |
| 5.4 实验结果与分析 | 第78-83页 |
| 5.4.1 算法流程图 | 第78-79页 |
| 5.4.2 3D图像数据实验结果与分析 | 第79-81页 |
| 5.4.3 2D图像数据实验结果与分析 | 第81-83页 |
| 5.5 本章小结 | 第83-85页 |
| 结论 | 第85-89页 |
| 参考文献 | 第89-97页 |
| 攻读博士期间所发表的学术论文 | 第97-99页 |
| 致谢 | 第99-100页 |
