| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第11-23页 |
| 1.1 课题来源 | 第11页 |
| 1.2 课题研究的目的和意义 | 第11-13页 |
| 1.3 国内外研究现状 | 第13-20页 |
| 1.3.1 基于深度学习的分割算法研究现状 | 第13-18页 |
| 1.3.2 自动Cobb角度测量算法研究现状 | 第18-19页 |
| 1.3.3 自动分型算法研究现状 | 第19-20页 |
| 1.4 本文主要研究内容 | 第20-23页 |
| 第2章 基于深度学习的脊柱X光影像分割算法研究 | 第23-37页 |
| 2.1 引言 | 第23页 |
| 2.2 医学影像分割技术介绍 | 第23页 |
| 2.3 基于传统算法的医学影像分割 | 第23-29页 |
| 2.3.1 区域生长算法 | 第24-25页 |
| 2.3.2 水平集法 | 第25-29页 |
| 2.4 基于深度学习的医学影像分割 | 第29-36页 |
| 2.4.1 卷积神经网络参数分析 | 第30-32页 |
| 2.4.2 脊柱X光图像数据集制作与扩充 | 第32-34页 |
| 2.4.3 基于U-net以及其改进的网络模型分割X光图像 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 自动Cobb角测量算法研究 | 第37-51页 |
| 3.1 引言 | 第37页 |
| 3.2 Cobb角的定义以及计算 | 第37-38页 |
| 3.3 脊柱轮廓识别 | 第38-44页 |
| 3.3.1 基于角点检测的方法识别脊柱轮廓 | 第38-42页 |
| 3.3.2 基于最小外包络矩形的方法识别脊柱轮廓 | 第42-44页 |
| 3.4 脊柱轮廓函数拟合 | 第44-46页 |
| 3.5 Cobb角计算以及椎体计数 | 第46-49页 |
| 3.6 本章总结 | 第49-51页 |
| 第4章 基于支持向量机的自动分型算法研究 | 第51-65页 |
| 4.1 引言 | 第51页 |
| 4.2 Lenke分型规则介绍 | 第51-52页 |
| 4.3 支持向量机(SVM)简介 | 第52-56页 |
| 4.4 基于支持向量机的Lenke分型算法实现 | 第56-63页 |
| 4.4.1 脊柱曲线中心点提取以及曲线拟合 | 第56-59页 |
| 4.4.2 数据集制作 | 第59-61页 |
| 4.4.3 支持向量机参数优化 | 第61-63页 |
| 4.5 本章总结 | 第63-65页 |
| 第5章 基于U-net的特发性脊柱侧弯Lenke自动分型实验 | 第65-75页 |
| 5.1 引言 | 第65页 |
| 5.2 实验平台介绍 | 第65页 |
| 5.3 基于U-net的特发性脊柱侧弯自动分型算法框架 | 第65-66页 |
| 5.4 基于U-net的脊柱分割实验分析 | 第66-69页 |
| 5.5 自动Cobb角测量算法实验分析 | 第69-71页 |
| 5.6 基于SVM的自动分型算法实验分析 | 第71-73页 |
| 5.7 本章小结 | 第73-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第83页 |
