基于Mask R-CNN的前列腺TRUS图像分割方法研究

目录

声明

第一章 绪论

1.1 课题研究背景及意义

1.2 TRUS分割方法研究现状

1.2.1 基于形状区域的分割方法

1.2.2 基于边缘的分割方法

1.2.3 基于概率滤波的分割方法

1.2.4 基于混合技术的分割方法

1.2.5 基于深度学习的分割方法

1.3 论文研究内容

1.4 论文组织结构

第二章 卷积神经网络的基础理论

2.1 卷积神经网络的概念

2.2 CNN的基本结构

2.2.1 卷积层

2.2.2 池化层

2.2.3 激活函数和损失函数

2.3 基于卷积神经网络的分割方法

2.3.1 FCN网络结构特性

2.3.2 U-Net网络结构特性

2.3.3 SegNet网络结构特性

2.3.4 Deeplab系列网络结构特性

2.4 本章小结

第三章 基于RPN网络的E-OHEM的优化方法

3.1 样本采样方式

3.1.1 小批量采样方式

3.1.2 OHEM算法

3.2 E-OHEM算法

3.2.1 E-OHEM算法介绍

3.2.2 微调模型方法

3.3 实验结果与分析

3.3.1 训练损失收敛

3.3.2 目标区域平均准确率的评价方法

3.4 本章小结

第四章 基于多通道特征金字塔结构的TRUS图像分割方法

4.1 网络基本结构

4.2 多尺度特征融合

4.2.1 MFPN(Multi-Channel Feature Pyramid Networks)

4.2.2RPN(Region Proposal Network)

4.3 感兴趣区域校准与反向传播

4.3.1 ROI Align

4.3.2 反向传播

4.4 本章小结

第五章 实验结果与分析

5.1 数据集与实验平台

5.2 评价标准

5.2.1 基于轮廓距离的评价标准

5.2.2 基于轮廓面积的评价方法

5.3 分割结果

5.3.1 基于FCN的分割结果

5.3.2 基于U-Net的分割结果

5.3.3 基于SegNet的分割结果

5.3.4 基于Deeplab的分割结果

5.3.5基于Mask R-CNN网络的TRUS图像分割结果

5.4 基于TSNet网络的TRUS图像分割与训练结果

5.5 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

发表论文和参加科研情况

致谢