| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 课题研究背景和意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-22页 |
| 1.3 CT图像肝脏肿瘤分割评价标准 | 第22-23页 |
| 1.4 本文研究内容及结构安排 | 第23-25页 |
| 第二章 基于浅层机器学习模型的肝脏肿瘤分割方法 | 第25-33页 |
| 2.1 引言 | 第25页 |
| 2.2 浅层机器学习模型算法内容 | 第25-30页 |
| 2.2.1 图像数据预处理 | 第25-26页 |
| 2.2.2 手动设计提取特征 | 第26-28页 |
| 2.2.3 AdaBoost分类器 | 第28-29页 |
| 2.2.4 随机森林 | 第29-30页 |
| 2.3 算法实现 | 第30-31页 |
| 2.4 实验结果 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于深度卷积神经网络的肝脏肿瘤分割方法 | 第33-45页 |
| 3.1 引言 | 第33-34页 |
| 3.2 深度卷积神经网络算法 | 第34-38页 |
| 3.2.1 卷积层（Convolution Layer） | 第34页 |
| 3.2.2 最大池化下采样层（MaxPooling Layer） | 第34-35页 |
| 3.2.3 全连接层（Fully-connected layer） | 第35页 |
| 3.2.4 Logistic回归 | 第35-36页 |
| 3.2.5 Softmax回归 | 第36页 |
| 3.2.6 Sigmoid转移函数 | 第36-37页 |
| 3.2.7 损失函数（Loss Function） | 第37页 |
| 3.2.8 随机梯度下降法（Stochastic Gradient Descent） | 第37-38页 |
| 3.3 提取训练数据 | 第38页 |
| 3.4 深度卷积神经网络结构 | 第38-39页 |
| 3.5 算法实现 | 第39-41页 |
| 3.6 实验结果 | 第41-43页 |
| 3.7 本章小结 | 第43-45页 |
| 第四章 基于多尺度深度卷积神经网络的肝脏肿瘤分割方法 | 第45-51页 |
| 4.1 引言 | 第45页 |
| 4.2 提取不同尺度的图像数据块 | 第45页 |
| 4.3 多尺度的深度卷积神经网络结构 | 第45-46页 |
| 4.4 算法实现 | 第46-47页 |
| 4.5 实验结果 | 第47-49页 |
| 4.6 本章小结 | 第49-51页 |
| 第五章 基于深度卷积神经网络与图割优化的肝脏肿瘤分割方法 | 第51-63页 |
| 5.1 引言 | 第51页 |
| 5.2 构建深度卷积神经网络模型 | 第51-52页 |
| 5.3 图割理论 | 第52-53页 |
| 5.4 算法实现 | 第53-55页 |
| 5.4.1 获取前景背景图像 | 第53-54页 |
| 5.4.2 图割优化 | 第54-55页 |
| 5.5 实验结果 | 第55-61页 |
| 5.5.1 图割优化分割结果 | 第55-56页 |
| 5.5.2 自动学习特征与手工提取特征比较 | 第56-58页 |
| 5.5.3 与基于level-set的半自动分割算法比较 | 第58-60页 |
| 5.5.4 几种肝脏肿瘤分割方法结果对比 | 第60-61页 |
| 5.6 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 作者简介 | 第71页 |
广告服务 
