基于深度残差网络的心脏肿瘤识别和分割研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究背景与意义 | 第13-16页 |
| 1.1.1 房壁瘤医学背景 | 第13-14页 |
| 1.1.2 识别和分割心脏肿瘤的意义 | 第14-16页 |
| 1.2 研究平台介绍 | 第16页 |
| 1.3 本文的研究目的 | 第16页 |
| 1.4 本文的研究方法和流程 | 第16-17页 |
| 1.5 论文整体结构和内容 | 第17-18页 |
| 第二章 常见的图像分割算法和卷积神经网络介绍 | 第18-26页 |
| 2.1 经典图像分割算法 | 第18-20页 |
| 2.1.1 阈值图像分割 | 第18-19页 |
| 2.1.2 基于区域生长的图像分割 | 第19页 |
| 2.1.3 边缘检测法 | 第19-20页 |
| 2.2 卷积神经网络分割 | 第20-26页 |
| 2.2.1 卷积神经网络(CNN)的历史 | 第20-22页 |
| 2.2.2 卷积与感受野 | 第22-26页 |
| 第三章 基于深度残差网络的肿瘤识别 | 第26-50页 |
| 3.1 深度残差网络 | 第26-28页 |
| 3.2 研究目的和方法 | 第28-29页 |
| 3.3 数据预处理和分类优化方法 | 第29-33页 |
| 3.3.1 图像预处理方法 | 第29-31页 |
| 3.3.2 扩增训练数据集 | 第31-32页 |
| 3.3.3 分类优化策略 | 第32-33页 |
| 3.4 网络模型设计 | 第33-43页 |
| 3.4.1 残差网络结构 | 第34-36页 |
| 3.4.2 训练数据流 | 第36-37页 |
| 3.4.3 网络层选择 | 第37-43页 |
| 3.5 研究过程和结果分析 | 第43-48页 |
| 3.5.1 数据来源 | 第43页 |
| 3.5.2 归一化处理 | 第43-44页 |
| 3.5.3 剔除肿瘤边缘图片 | 第44-45页 |
| 3.5.4 研究结果与分析 | 第45-48页 |
| 3.6 章节小结 | 第48-50页 |
| 第四章 基于优化深度残差网络的房壁瘤分割 | 第50-69页 |
| 4.1 深度残差结构优化 | 第50-53页 |
| 4.2 研究目的和方法 | 第53-54页 |
| 4.3 图像块分类与提取 | 第54-55页 |
| 4.4 网络模型设计 | 第55-57页 |
| 4.4.1 优化网络架构 | 第55-56页 |
| 4.4.2 训练参数与数据流 | 第56-57页 |
| 4.5 分割方法和优化 | 第57-60页 |
| 4.5.1 肿瘤分割方法 | 第57-58页 |
| 4.5.2 分割结果优化策略 | 第58-60页 |
| 4.5.3 评价标准 | 第60页 |
| 4.6 分割结果与分析 | 第60-68页 |
| 4.6.1 数据来源 | 第60-61页 |
| 4.6.2 结果比较与定量分析 | 第61-68页 |
| 4.7 章节小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-72页 |
| 5.1 研究总结 | 第69-70页 |
| 5.1.1 肿瘤分类任务总结 | 第69-70页 |
| 5.1.2 肿瘤分割任务总结 | 第70页 |
| 5.2 未来研究展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 攻读硕士学位期间的研究成果 | 第77-78页 |
| 致谢 | 第78页 |
