| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 论文研究背景 | 第9-10页 |
| 1.2 论文研究的目的和意义 | 第10页 |
| 1.3 研究现状概述 | 第10-12页 |
| 1.4 发展趋势 | 第12-13页 |
| 1.5 论文的组织结构 | 第13-14页 |
| 第2章 深度卷积网络及深度学习框架 | 第14-30页 |
| 2.1 深度学习 | 第14-16页 |
| 2.1.1 机器学习的问题 | 第14-15页 |
| 2.1.2 深度学习的发展及现状 | 第15-16页 |
| 2.2 卷积神经网络 | 第16-17页 |
| 2.3 反向传播学习算法 | 第17-18页 |
| 2.4 深度卷积网络中的常用方法 | 第18-25页 |
| 2.4.1 校正线性单元 | 第18-20页 |
| 2.4.2 GPU加速 | 第20-21页 |
| 2.4.3 Dropout | 第21-22页 |
| 2.4.4 局部响应归一化 | 第22页 |
| 2.4.5 权值初始化 | 第22-24页 |
| 2.4.6 人工增大数据集 | 第24页 |
| 2.4.7 并行运算 | 第24-25页 |
| 2.5 深度学习框架 | 第25-28页 |
| 2.5.1 数据形式及网络层 | 第25-26页 |
| 2.5.2 网络架构文件 | 第26-27页 |
| 2.5.3 网络参数文件 | 第27-28页 |
| 2.6 网络求解 | 第28-30页 |
| 第3章 核磁共振脑影像的深度卷积网络分割和三维重建 | 第30-52页 |
| 3.1 深度卷积网络搭建 | 第30-34页 |
| 3.1.1 起始模块 | 第30-31页 |
| 3.1.2 卷积网络搭建 | 第31-34页 |
| 3.2 训练数据库生成 | 第34-38页 |
| 3.3 深度卷积网络训练 | 第38-39页 |
| 3.4 深度卷积网络的图像分割效果测试 | 第39-42页 |
| 3.4.1 测试数据来源 | 第39-40页 |
| 3.4.2 测试数据预处理 | 第40页 |
| 3.4.3 测试数据分割 | 第40-42页 |
| 3.5 核磁共振脑影像三维重建 | 第42-44页 |
| 3.6 结果分析 | 第44-52页 |
| 3.6.1 测试数据分割效果分析 | 第44-46页 |
| 3.6.2 起始结构层效果分析 | 第46-51页 |
| 3.6.3 其他分割算法比较 | 第51-52页 |
| 第4章 核磁共振脑影像的立体显示 | 第52-60页 |
| 4.1 立体显示 | 第52-54页 |
| 4.1.1 立体显示技术的原理 | 第52-54页 |
| 4.1.2 立体显示技术的分类 | 第54页 |
| 4.2 核磁共振成像的颜色分离立体显示 | 第54-60页 |
| 4.2.1 立体像对的生成 | 第55-57页 |
| 4.2.2 红青立体显示的软件实现 | 第57-60页 |
| 第5章 总结和展望 | 第60-62页 |
| 5.1 研究工作总结 | 第60页 |
| 5.2 工作展望 | 第60-62页 |
| 参考文献 | 第62-69页 |
| 致谢 | 第69页 |