基于深度学习的3D生物医学脑图像配准算法研究

目录

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