| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题背景及研究的目的和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-18页 |
| 1.2.1 国内外图像方法概述 | 第13-15页 |
| 1.2.2 乳腺超声图像分割方法研究现状 | 第15-17页 |
| 1.2.3 目前已有方法的不足 | 第17-18页 |
| 1.3 本文主要组织结构及其研究内容 | 第18-19页 |
| 第2章 卷积神经网络 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 卷积神经网络 | 第19-24页 |
| 2.2.1 神经网络 | 第19-20页 |
| 2.2.2 卷积神经网络发展 | 第20-22页 |
| 2.2.3 卷积神经网络基本构成 | 第22-24页 |
| 2.3 全卷积神经网络 | 第24-28页 |
| 2.3.1 图像语义分割概述 | 第24-25页 |
| 2.3.2 全卷积神经网络组织和构成 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于全卷积网络的乳腺超声图像语义分割 | 第29-43页 |
| 3.1 引言 | 第29页 |
| 3.2 AlexNet全卷积神经网络模型 | 第29-32页 |
| 3.2.1 层次结构 | 第29-31页 |
| 3.2.2 模型特点 | 第31-32页 |
| 3.3 数据集生成 | 第32-36页 |
| 3.3.1 数据采集及标注 | 第32-34页 |
| 3.3.2 图像增强 | 第34-35页 |
| 3.3.3 数据集扩张与生成 | 第35-36页 |
| 3.4 网络训练 | 第36-39页 |
| 3.4.1 训练策略 | 第36-37页 |
| 3.4.2 网络初始化 | 第37-38页 |
| 3.4.3 训练参数 | 第38-39页 |
| 3.5 网络训练结果 | 第39-42页 |
| 3.5.1 实验平台参数 | 第39页 |
| 3.5.2 评价标准 | 第39-40页 |
| 3.5.3 分割结果 | 第40-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 全卷积神经网络模型的改进及CRF优化 | 第43-56页 |
| 4.1 引言 | 第43页 |
| 4.2 基于AlexNet网络的层次融合 | 第43-46页 |
| 4.2.1 网络结构 | 第44-45页 |
| 4.2.2 网络训练 | 第45-46页 |
| 4.3 全连接条件随机场 | 第46-48页 |
| 4.3.1 全连接条件随机场概述 | 第46-47页 |
| 4.3.2 全连接CRF优化过程 | 第47-48页 |
| 4.4 实验结果及分析 | 第48-54页 |
| 4.4.1 实验数据和评价标准 | 第48页 |
| 4.4.2 全卷积网络改进后结果及全连接CRF优化后结果 | 第48-52页 |
| 4.4.3 肿瘤部位分割结果对比分析 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第62-64页 |
| 致谢 | 第64页 |