基于深度学习的甲状腺超声图像自动分割方法研究

目录

第1 章绪 论

1.1 课题来源

1.2 课题背景

1.3 国内外研究现状及分析

1.3.1 传统医学图像分割算法的研究现状

1.3.2 CNN 模型作为分割算法的研究现状

1.3.3 注意力机制的研究现状

1.3.4 GAN 模型作为分割算法的研究现状

1.3.5 国内外研究存在的问题与不足

1.4 数据集及实验环境介绍

1.5 本文的主要研究内容及章节安排

第2 章基于U 型网络的甲状腺自动分割

2.1 U 型网络剖析

2.1.1 U-Net 的模型结构

2.1.2 UNet++的模型结构

2.2 ReAgU-Net 模型的提出

2.2.1 模型改进点及性能分析

2.2.2 ReAgU-Net 的网络结构

2.2.3 ReAgU-Net 的训练过程

2.3 图像分割评价标准

2.4 甲状腺图像预处理算法

2.5 实验与分析

2.5.1 不同主干网络的性能对比

2.5.2 不同 U 型网络的性能对比

2.5.3 不同改进点间的性能对比

2.5.4 不同数据集下的性能对比

2.6 本章小结

第3 章基于GAN 的甲状腺自动分割

3.1 SegAN 模型剖析

3.1.1 多尺度 L1损失

3.1.2 SegAN 的模型结构

3.2 U-SegAN 模型的提出

3.2.1 模型改进点及性能分析

3.2.2 U-SegAN 的网络结构

3.2.3 U-SegAN 的训练过程

3.3 实验与分析

3.3.1 不同的 CNN 与 GAN 模型的性能对比

3.3.2 不同 GAN 模型的参数量对比

3.3.3 不同 GAN 模型的收敛速度对比

3.3.4 不同 GAN 模型对于难样本的性能对比

3.3.5 不同数据集下的性能对比

3.4 本章小结

第4 章甲状腺分割原型系统设计与实现

4.1 系统需求分析

4.2 系统功能设计

4.3 系统体系结构设计

4.4 系统实现

4.4.1 系统开发环境

4.4.2 输入/输出模块

4.4.3 数据预处理模块

4.4.4 图像分割模块

4.4.5 界面展示模块

4.4.6 性能评估模块

4.5 本章小结

结 论

参考文献

攻读硕士学位期间发表的论文及其它成果

声明

致谢