基于深度学习的心脏MRI双心室自动分割与心脏病分类
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景及意义 | 第15页 |
| 1.2 研究现状 | 第15-17页 |
| 1.3 研究创新点 | 第17页 |
| 1.4 论文的组织结构 | 第17-19页 |
| 第二章 深度学习在医学图像中的应用 | 第19-35页 |
| 2.1 深度学习介绍 | 第19-29页 |
| 2.1.1 神经网络 | 第19-20页 |
| 2.1.2 卷积神经网络常用结构 | 第20-23页 |
| 2.1.3 激活函数 | 第23-26页 |
| 2.1.4 训练神经网络的技巧 | 第26-29页 |
| 2.2 深度学习在医学图像中的应用 | 第29-33页 |
| 2.2.1 医学图像检测和识别 | 第30-31页 |
| 2.2.2 医学图像分割 | 第31-32页 |
| 2.2.3 计算机辅助诊断和疾病定量 | 第32-33页 |
| 2.3 本章小结 | 第33-35页 |
| 第三章 基于YOLO的心脏目标检测 | 第35-49页 |
| 3.1 引言 | 第35-38页 |
| 3.2 数据库 | 第38-39页 |
| 3.3 基于YOLO的心脏目标检测 | 第39-43页 |
| 3.3.1 数据预处理 | 第39-40页 |
| 3.3.2 心脏目标检测 | 第40-42页 |
| 3.3.3 目标检测结果矫正 | 第42-43页 |
| 3.4 目标检测结果评估 | 第43-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 基于全卷积网络的心脏MRI双心室自动分割 | 第49-59页 |
| 4.1 引言 | 第49-50页 |
| 4.2 心脏MRI双心室分割 | 第50-53页 |
| 4.2.1 数据预处理 | 第50页 |
| 4.2.2 分割FCN网络设计 | 第50-53页 |
| 4.3 分割结果及评估 | 第53-58页 |
| 4.3.1 分割结果 | 第53-56页 |
| 4.3.2 评价指标 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 基于决策树与全连接网络的心脏病分类 | 第59-71页 |
| 5.1 引言 | 第59-60页 |
| 5.2 基于XGBoost的心脏病分类 | 第60-66页 |
| 5.2.1 特征提取 | 第60-63页 |
| 5.2.2 XGBoost的原理简介 | 第63-65页 |
| 5.2.3 基于XGBoost的心脏病分类 | 第65-66页 |
| 5.3 基于全连接网络的心脏病分类 | 第66-69页 |
| 5.3.1 搭建全连接网络 | 第66-68页 |
| 5.3.2 分类结果 | 第68-69页 |
| 5.4 两种方法的比较 | 第69页 |
| 5.5 本章小结 | 第69-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-81页 |
| 作者简介 | 第81-82页 |
