| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 经典图像分割算法 | 第11-12页 |
| 1.2.2 深度学习和图像分割 | 第12-13页 |
| 1.3 当前肝脏血管分割中存在的问题 | 第13-14页 |
| 1.4 本文的主要内容及论文组织 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 2 本文涉及的图像分割算法 | 第16-26页 |
| 2.1 活动轮廓模型 | 第16-19页 |
| 2.1.1 水平集基本概念 | 第16-17页 |
| 2.1.2 Mumford-Shah模型 | 第17-18页 |
| 2.1.3 Chan-Vese模型 | 第18-19页 |
| 2.2 卷积神经网络与图像分割 | 第19-25页 |
| 2.2.1 卷积神经网络 | 第19-21页 |
| 2.2.2 基于滑动窗口的分割方法 | 第21页 |
| 2.2.3 基于全卷积神经网络的分割方法 | 第21-25页 |
| 2.3 本章小结 | 第25-26页 |
| 3 基于统计形态学和Hessian矩阵的肝脏内血管分割算法 | 第26-37页 |
| 3.1 算法概述 | 第26页 |
| 3.2 改进的三维中值滤波 | 第26-28页 |
| 3.3 Hessian矩阵增强 | 第28-29页 |
| 3.4 灰度变换和顶帽操作 | 第29-34页 |
| 3.4.1 灰度变换介绍 | 第29-31页 |
| 3.4.2 普通顶帽操作效果不佳分析 | 第31-32页 |
| 3.4.3 基于统计信息的顶帽操作 | 第32-34页 |
| 3.5 各向异性扩散滤波 | 第34-35页 |
| 3.6 两阶段的血管树分割算法 | 第35-36页 |
| 3.7 本章小结 | 第36-37页 |
| 4 基于全卷积神经网络的多类别血管分割算法 | 第37-46页 |
| 4.1 算法概述 | 第37-38页 |
| 4.2 图像扩增 | 第38-39页 |
| 4.3 训练全卷积神经网络 | 第39-42页 |
| 4.3.1 二维FCN | 第40-41页 |
| 4.3.2 三维U-Net | 第41-42页 |
| 4.4 迭代式连通域分析 | 第42-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 实验结果与分析 | 第46-56页 |
| 5.1 实验环境及评价标准 | 第46页 |
| 5.2 半自动分割算法相关实验 | 第46-49页 |
| 5.2.1 定性分析 | 第47-48页 |
| 5.2.2 定量分析 | 第48-49页 |
| 5.3 全卷积神经网络分割算法相关实验 | 第49-55页 |
| 5.3.1 定性分析 | 第50-52页 |
| 5.3.2 定量分析 | 第52-55页 |
| 5.4 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-57页 |
| 6.1 工作总结 | 第56页 |
| 6.2 研究展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 附录 | 第64页 |
| A.作者在攻读学位期间发表的论文目录 | 第64页 |
| B.申请的专利 | 第64页 |
| C.作者在攻读学位期间参加的科研项目 | 第64页 |