| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文研究内容及意义 | 第15-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 第二章 卷积神经网络理论 | 第18-28页 |
| 2.1 卷积神经网络基本组成 | 第18-24页 |
| 2.1.1 卷积层 | 第18-19页 |
| 2.1.2 激活层 | 第19-20页 |
| 2.1.3 池化层 | 第20-21页 |
| 2.1.4 Softmax分类器 | 第21-22页 |
| 2.1.5 卷积神经网络的优化器 | 第22-24页 |
| 2.2 卷积神经网络中的前向传播算法与反向传播算法 | 第24-25页 |
| 2.2.1 前向传播算法 | 第24页 |
| 2.2.2 反向传播算法 | 第24-25页 |
| 2.3 端到端的卷积神经网络 | 第25-27页 |
| 2.3.1 FCN的基本原理 | 第25-26页 |
| 2.3.2 SegNet基本原理 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 融合卷积神经网络与超体素的脑MRI图像分割算法 | 第28-42页 |
| 3.1 引言 | 第28页 |
| 3.2 融合卷积神经网络与超体素的脑MRI图像分割算法流程 | 第28-29页 |
| 3.3 端到端的卷积神经网络模型BMRISNet设计 | 第29-35页 |
| 3.3.1 Inception_BN模块 | 第29-32页 |
| 3.3.2 BMRISNet网络结构 | 第32-35页 |
| 3.4 三维超体素融合算法 | 第35-41页 |
| 3.4.1 SLIC超体素算法 | 第36-37页 |
| 3.4.2 基于超体素中类别的体素个数统计的融合算法 | 第37-38页 |
| 3.4.3 基于超体素中类别比例的融合算法 | 第38-40页 |
| 3.4.4 融合超体素先验信息的脑MRI图像分割 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 脑MRI图像分割实验结果及分析 | 第42-58页 |
| 4.1 实验数据 | 第42-44页 |
| 4.1.1 实验数据集 | 第42页 |
| 4.1.2 数据预处理 | 第42-44页 |
| 4.2 实验环境 | 第44-45页 |
| 4.3 实验评价指标 | 第45-46页 |
| 4.3.1 Dice相似度 | 第45页 |
| 4.3.2 MeanIU(MeanIntersectionoverUnion) | 第45页 |
| 4.3.3 Hausdorff距离 | 第45-46页 |
| 4.3.4 AVD(AbsoluteVolumeDifference) | 第46页 |
| 4.4 实验结果及分析 | 第46-56页 |
| 4.4.1 融合卷积神经网络与超体素分割算法实验 | 第46-50页 |
| 4.4.2 算法中不同超体素个数实验 | 第50-53页 |
| 4.4.3 算法中参数影响实验 | 第53-56页 |
| 4.4.4 算法中不同超体素算法实验 | 第56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 论文工作总结 | 第58页 |
| 5.2 进一步研究方向 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-65页 |
