基于卷积神经网络的前列腺MR图像语义分割方法研究
摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
第一章 绪论 | 第9-17页 |
1.1 课题研究背景及意义 | 第9-12页 |
1.2 国内外研究现状 | 第12-15页 |
1.3 论文研究内容与组织结构 | 第15-17页 |
第二章 语义分割介绍 | 第17-25页 |
2.1 语义分割网络 | 第17-23页 |
2.1.1 全卷积神经网络 | 第17-18页 |
2.1.2 DeconvNet | 第18-20页 |
2.1.3 U-Net | 第20-21页 |
2.1.4 DenseNet | 第21页 |
2.1.5 DeepLab | 第21-23页 |
2.2 语义分割与实例分割的区别 | 第23-24页 |
2.3 本章小结 | 第24-25页 |
第三章 数据集处理 | 第25-33页 |
3.1 MRI数据集 | 第25-26页 |
3.2 数据集优化 | 第26页 |
3.3 数据集增强 | 第26-30页 |
3.3.1 增加高斯噪声扰动 | 第27页 |
3.3.2 拉普拉斯锐化 | 第27-29页 |
3.3.3 直方图均衡化 | 第29-30页 |
3.3.4 基于均值滤波的图像增强 | 第30页 |
3.4 数据增强后的前列腺MR图像数据集 | 第30-31页 |
3.5 本章小结 | 第31-33页 |
第四章 基于卷积神经网络的前列腺MR图像分割方法 | 第33-47页 |
4.1 网络模型优化方法 | 第33-34页 |
4.2 PSSNet网络结构 | 第34-41页 |
4.2.1 编码器-解码器结构 | 第35-36页 |
4.2.2 ResNet-101 | 第36-37页 |
4.2.3 DDSPP模块 | 第37-40页 |
4.2.4 DP模块 | 第40-41页 |
4.3 参数调整与模型训练 | 第41-45页 |
4.3.1 调整学习率 | 第41-42页 |
4.3.2 激活函数 | 第42-44页 |
4.3.3 损失函数 | 第44-45页 |
4.4 本章小结 | 第45-47页 |
第五章 实验结果与分析 | 第47-59页 |
5.1 评价标准 | 第47-49页 |
5.2 数据增强实验结果与分析 | 第49-51页 |
5.3 PSSNet实验结果与分析 | 第51-52页 |
5.4 网络结构对比分析 | 第52-54页 |
5.5 不同分割方法性能对比分析 | 第54-57页 |
5.5.1 不同语义分割网络性能对比分析 | 第54-56页 |
5.5.2 现有分割方法性能对比分析 | 第56-57页 |
5.6 本章小结 | 第57-59页 |
第六章 总结与展望 | 第59-61页 |
6.1 本文工作总结 | 第59页 |
6.2 课题后续研究展望 | 第59-61页 |
参考文献 | 第61-67页 |
发表论文和参加科研情况 | 第67-69页 |
致谢 | 第69页 |