声明
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 单模态图像分割方法概述
1.2.2 基于多模图像共分割方法概述
1.3 论文研究内容及结构安排
2 深度学习在图像分割上的应用
2.1 图像语义分割的定义
2.2 卷积神经网络
2.3 基于全卷积神经网络的图像语义分割
2.3.1 全卷积化
2.3.2 反卷积
2.3.3 跳跃结构
2.4 空洞卷积
2.5 语义分割中的多尺度技术
2.6 典型的网络结构
2.6.1 深度残差网络
2.6.2 密集连接网络
2.7 本章小结
3 基于3D全卷积神经网络的PET/CT多模共分割
3.1 引言
3.2 基于深度学习的PET/CT图像多模共分割模型
3.2.1 多模共分割网络模型
3.2.2 基于V-Net实现的共分割方法
3.2.3 基于3D-DenseNet实现的共分割方法
3.2.4 多任务损失函数
3.3 实验数据、比较算法以及训练细节
3.3.1 实验数据集及其预处理
3.3.2 对比方法介绍
3.3.3 训练细节
3.4 实验结果分析
3.4.1 评价指标
3.4.2 验证多模共分割模型的有效性
3.4.3 与基于V-Net的单模PET或CT图像分割的性能比较
3.4.4 与传统单模PET图像分割方法的性能比较
3.4.5 与共分割方法的性能比较
3.5 方法性能分析
3.6 本章小结
4 基于MTBNet的MRI图像器官分割方法
4.1 引言
4.2 MRI图像多器官分割的MTBNet模型
4.2.1Dilated Residual Networks(DRN)
4.2.2 Multi-to-Binary(MTB) Block
4.2.3 Decoder
4.3 实验数据、对比方法以及训练细节
4.3.1 实验数据
4.3.2 对比方法设置
4.3.3 参数设置
4.4 实验结果分析
4.4.1 特征可视化
4.4.2 实验对比
4.5 方法性能分析
4.6 本章小结
5 总结与展望
5.1 全文总结
5.2 工作展望
致谢
参考文献
附录：攻读硕士期间发表的论文目录
