| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状和发展趋势 | 第10-14页 |
| 1.2.1 多模态MRI数据优势 | 第10-11页 |
| 1.2.2 脑肿瘤图像分割方法 | 第11-14页 |
| 1.3 本文研究内容和组织结构 | 第14-17页 |
| 第二章 神经网络与MRI图像脑肿瘤分割基础 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 MRI图像脑肿瘤分割 | 第17-21页 |
| 2.2.1 多模态MRI脑肿瘤图像数据集 | 第18-19页 |
| 2.2.2 脑肿瘤图像分割评判标准 | 第19-21页 |
| 2.3 卷积神经网络基本结构及其在脑肿瘤图像分割中的应用 | 第21-28页 |
| 2.3.1 卷积神经网络基本结构 | 第21-25页 |
| 2.3.2 卷积神经网络在自然场景图像及脑肿瘤图像分割中的应用 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于全卷积神经网络的脑肿瘤分割 | 第29-52页 |
| 3.1 引言 | 第29页 |
| 3.2 基于全卷积神经网络与多模态MRI图像的脑肿瘤分割 | 第29-35页 |
| 3.2.1 编解码网络模型 | 第29-30页 |
| 3.2.2 上采样模块 | 第30-32页 |
| 3.2.3 构建脑肿瘤图像分割网络 | 第32-33页 |
| 3.2.4 并行Dice损失结构 | 第33-35页 |
| 3.3 基于N4ITK的多模态MRI脑肿瘤图像预处理 | 第35-38页 |
| 3.4 基于级联网络与多模态MRI图像的脑肿瘤分割 | 第38-41页 |
| 3.4.1 基于级联网络的多模态MRI脑肿瘤图像分割框架描述 | 第38-39页 |
| 3.4.2 构建整区肿瘤预测网络和子结构分割网络 | 第39-41页 |
| 3.5 网络训练与实验结果分析 | 第41-51页 |
| 3.6 本章小结 | 第51-52页 |
| 第四章 基于3D卷积神经网络的脑肿瘤分割 | 第52-72页 |
| 4.1 引言 | 第52页 |
| 4.2 基于3D卷积神经网络与多模态MRI图像的脑肿瘤分割 | 第52-57页 |
| 4.2.1 3D卷积神经网络理论基础 | 第52-54页 |
| 4.2.2 3D卷积神经网络的构建 | 第54-57页 |
| 4.3 联合密集连接与3D卷积神经网络的分割方法 | 第57-60页 |
| 4.3.1 密集连接单元 | 第57-58页 |
| 4.3.2 联合密集连接与3D卷积的脑肿瘤分割网络 | 第58-60页 |
| 4.4 联合残差结构和3D卷积神经网络的分割方法 | 第60-62页 |
| 4.4.1 残差结构 | 第60-61页 |
| 4.4.2 联合残差结构与3D卷积的脑肿瘤分割网络 | 第61-62页 |
| 4.5 实验结果与分析 | 第62-71页 |
| 4.6 本章小结 | 第71-72页 |
| 第五章 总结和展望 | 第72-74页 |
| 5.1 本文工作总结 | 第72-73页 |
| 5.2 未来工作展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间取得的成果 | 第81页 |
