基于神经网络和图像显著性的心脏图像自动分割算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-15页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 心脏分割算法研究现状 | 第12-14页 |
| 1.3 本文的章节安排 | 第14-15页 |
| 2 CT心脏图像分割算法简介 | 第15-30页 |
| 2.1 图像显著性 | 第15-17页 |
| 2.1.1 显著性检测 | 第15-16页 |
| 2.1.2 SLIC超像素分割算法 | 第16-17页 |
| 2.2 神经网络 | 第17-29页 |
| 2.2.1 人工神经网络 | 第17-19页 |
| 2.2.2 反向传播 | 第19-22页 |
| 2.2.3 卷积神经网络(CNN) | 第22-25页 |
| 2.2.4 自编码神经网络 | 第25-26页 |
| 2.2.5 降噪自编码网络 | 第26-27页 |
| 2.2.6 堆叠降噪自编码器 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 3 基于视觉显著性的心脏分割算法 | 第30-45页 |
| 3.1 算法架构模型 | 第30-31页 |
| 3.2 视觉显著模型 | 第31-32页 |
| 3.3 SF模型的实现过程 | 第32-37页 |
| 3.3.1 超像素分割 | 第33页 |
| 3.3.2 颜色独立性 | 第33-34页 |
| 3.3.3 颜色空间分布 | 第34-35页 |
| 3.3.4 特征融合 | 第35-36页 |
| 3.3.5 多面体晶格模型 | 第36-37页 |
| 3.4 过渡处理 | 第37-38页 |
| 3.5 CT心脏分割实验 | 第38-44页 |
| 3.5.1 数据集与实验配置 | 第38-39页 |
| 3.5.2 分割结果的评价方法 | 第39-40页 |
| 3.5.3 算法参数的设置 | 第40-42页 |
| 3.5.4 实验结果与分析 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 4 基于神经网络的心脏分割算法 | 第45-64页 |
| 4.1 基于卷积神经网络的心脏目标定位 | 第45-54页 |
| 4.1.1 卷积神经网络的构建 | 第46-47页 |
| 4.1.2 卷积神经网络训练 | 第47-50页 |
| 4.1.3 数据集与实验配置 | 第50-51页 |
| 4.1.4 卷积神经网络的定位效果 | 第51-54页 |
| 4.2 基于堆叠降噪自编码网络的心脏分割 | 第54-57页 |
| 4.2.1 堆叠降噪自编码网络的构建 | 第54-55页 |
| 4.2.2 堆叠降噪自编码网络的训练 | 第55-57页 |
| 4.3 CT心脏分割实验 | 第57-63页 |
| 4.3.1 数据集与实验配置 | 第57-58页 |
| 4.3.2 分割结果的评价方法 | 第58-59页 |
| 4.3.3 实验结果与分析 | 第59-63页 |
| 4.4 本章小结 | 第63-64页 |
| 5 心脏分割结果三维重建 | 第64-71页 |
| 5.1 面绘制 | 第64-66页 |
| 5.1.1 基于MC的面绘制 | 第64-65页 |
| 5.1.2 面绘制结果 | 第65-66页 |
| 5.2 体绘制 | 第66-70页 |
| 5.2.1 基于光线投射法的体绘制 | 第67-69页 |
| 5.2.2 体绘制结果 | 第69-70页 |
| 5.3 本章小结 | 第70-71页 |
| 6 总结与展望 | 第71-73页 |
| 6.1 论文总结 | 第71-72页 |
| 6.2 前景与展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第77-79页 |
| 学位论文数据集 | 第79页 |
