| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1绪论 | 第10-20页 |
| 1.1 选题依据、研究背景及意义 | 第10-11页 |
| 1.1.1 选题依据 | 第10页 |
| 1.1.2 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 变化检测算法研究现状 | 第11-14页 |
| 1.2.2 医学影像变化检测研究现状 | 第14-16页 |
| 1.3 本文主要研究内容及安排 | 第16-17页 |
| 1.3.1 主要研究内容 | 第16页 |
| 1.3.2 论文组织结构 | 第16-17页 |
| 1.4 本章小结 | 第17-20页 |
| 2变化检测算法相关研究 | 第20-28页 |
| 2.1 变化检测的基本流程 | 第20-21页 |
| 2.2 机器学习方法 | 第21-23页 |
| 2.2.1 FCM | 第21-22页 |
| 2.2.3 局部转向核 | 第22-23页 |
| 2.3 人工神经网络与深度学习 | 第23-26页 |
| 2.3.1 人工神经网络模型 | 第24-25页 |
| 2.3.2 受限制玻尔兹曼机 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 3多模态局部转向核变化检测改进算法 | 第28-38页 |
| 3.1 单模态局部转向核算法流程 | 第28-31页 |
| 3.1.1 计算局部转向核 | 第28-30页 |
| 3.1.2 生成差异性图像 | 第30-31页 |
| 3.1.3 单模态算法的不足 | 第31页 |
| 3.2 多模态局部转向核 | 第31-36页 |
| 3.2.1 多模态医学影像 | 第31-32页 |
| 3.2.2 大脑的近似对称性 | 第32页 |
| 3.2.3 快速广义FCM算法(FastGeneralizedFCMAlgorithm,FGFCM) | 第32-36页 |
| 3.3 基于多模态局部转向核的变化检测算法 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4.深信度网络变化检测算法研究 | 第38-46页 |
| 4.1 DBN模型 | 第38-39页 |
| 4.1.1 RBM能量模型 | 第38-39页 |
| 4.1.2 DBN预训练过程 | 第39页 |
| 4.2 基于DBN的医学影像变化检测算法 | 第39-45页 |
| 4.2.1 预分类 | 第40-42页 |
| 4.2.2 特征筛选 | 第42-44页 |
| 4.2.3 神经网络的搭建和训练 | 第44-45页 |
| 4.3 本章小结 | 第45-46页 |
| 5实验与仿真 | 第46-58页 |
| 5.1 数据集介绍 | 第46-48页 |
| 5.1.1 多模态LSK测试数据集 | 第46页 |
| 5.1.2 深信度网络测试数据集 | 第46-48页 |
| 5.2 评估指标 | 第48-49页 |
| 5.3 实验设置和结果分析 | 第49-56页 |
| 5.3.1 多模态LSK变化检测结果分析 | 第49-53页 |
| 5.3.2 深信度网络变化检测结果分析 | 第53-56页 |
| 5.4 本章小结 | 第56-58页 |
| 6.总结与展望 | 第58-60页 |
| 6.1 全文总结 | 第58页 |
| 6.2 未来工作展望 | 第58-60页 |
| 参考文献 | 第60-70页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第70-72页 |
| 致谢 | 第72-73页 |