基于深度学习的三维高分辨率脑图像压缩

目录

声明

摘要

第1章绪论

1．1研究背景及意义

1．2研究内容

1．3国内外研究现状

1．3．1三维医学图像压缩

1．3．2图像压缩后处理

1．3．3基于深度学习的图像压缩

1．4论文工作和安排

第2章图像压缩及神经网络简介

2．1 数字图像概念及压缩原理

2．1．1数字图像格式

2．1．2图像压缩原理

2．2图像压缩标准方法

2．2．1 JPEG压缩标准

2．2．2 JPEG2000压缩标准

2．2．3三维图像压缩标准JP3D

2．3卷积神经网络

2．3．1 卷积层

2．3．2非线性激活函数

2．3．3损失函数

2．4循环神经网络

2．4．1 长短时记忆网络

2．4．2卷积长短时记忆网络

2．5图像质量评价标准

2．6本章小结

第3章基于深度学习的JP3D压缩方法的改进

3．1 三维图像压缩后处理网络

3．1．1脑图像数据

3．1．2三维卷积神经网络

3．1．3网络结构设计

3．1．4实验结果及分析

3．2基于深度学习的三维熵编码模型

3．2．1 基于三维PixelCNN的子带内熵编码

3．2．2 引入RNN的子带间熵编码

3．2．3实验结果及分析

3．3本章小结

第4章基于深度学习的三维端到端脑图像压缩

4．1 三维端到端图像压缩框架

4．2三维非局部注意力机制

4．2．1 三维非局部模块

4．2．2三维非局部注意力模型结构

4．3熵编码模型

4．3．1超先验熵编码模型

4．3．2 基于3D ConvLSTM的上下文熵编码模型

4．3．3熵参数网络

4．4实验结果及分析

4．4．1网络训练

4．4．2测试数据

4．4．3三维端到端图像压缩性能

4．4．4消融实验结果及分析

4．5本章小结

第5章总结与展望

参考文献

致谢

在读期间发表的学术论文与取得的研究成果