声明
第一章 绪论
1.1研究背景及意义
1.2研究现状及算法类型
1.2.1研究现状
1.2.2传统算法
1.2.3机器学习算法
1.3本文主要内容及创新点
1.4章节安排
第二章 相关理论及工作基础
2.1神经网络基本结构
2.1.1感知机
2.1.2前向传播
2.1.3反向传播算法
2.1.4卷积与池化
2.1.5转置卷积
2.1.6空洞卷积
2.2插值算法
2.2.1最近邻插值算法
2.2.2线性插值算法
2.3深度学习配准网络常用损失函数
2.3.1相似性度量损失
2.3.2平滑性约束
2.3.3总变分损失
2.3.4反折叠损失
2.4本章总结
第三章 U-Net级联空洞卷积配准算法
3.1典型深度学习的配准网络
3.2本章算法
3.2.1 DSC U-Net配准算法
3.2.2级联U-Net配准算法
3.2.3 U-Net级联空洞卷积子网络配准算法
3.3实验结果
3.3.1数据集介绍
3.3.2评价指标
3.3.3实验结果分析
3.4本章总结
第四章 间隔填充-注意力机制U-Net配准算法
4.1 U-Net间隔填充机制
4.2注意力机制
4.2.1 ResNet
4.2.2注意力机制类型
4.3本章算法
4.3.1 Gap-Fill U-Net
4.3.2 Attention U-Net
4.3.3间隔填充-注意力机制U-Net
4.4实验结果与分析
4.5本章总结
总结与展望
参考文献
硕士期间发表的论文与参加的科研项目
致谢
安徽大学;