声明
致谢
缩略词对照表
1 引言
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 传统的分割方法
1.2.2 基于全卷积神经网络的分割方法
1.3 本文研究目标与内容
1.4 前列腺区域分割数据集
1.5 本文结构安排
2 基于单张切片的 2D U-Net前列腺区域分割算法
2.1 2D全卷积神经网络
2.1.1 卷积层
2.1.2 激活函数
2.1.3 批次归一化层
2.1.4 池化层
2.1.5 反卷积层
2.1.6 损失函数与优化器
2.1.7 2D U-Net全卷积分割网络模型
2.2 数据预处理
2.2.1 数据集划分
2.2.2 中央裁剪
2.2.3 图像扩增
2.3 实验及结果分析
2.3.1 2D U-Net全卷积分割实验
2.3.2 评价指标
2.3.3 结果分析
2.4 本章小结
3 基于整个病例的 3D U-Net前列腺区域分割算法
3.1 3D全卷积神经网络
3.1.1 卷积层
3.1.2 池化层
3.1.3 3D U-Net 全卷积分割网络模型
3.2 图像预处理
3.3 融合 2D池化的 3D U-Net分割网络
3.4 实验结果分析
3.4.1 3D U-Net全卷积分割实验
3.4.2 结果分析
3.4.3 分析验证
3.5 本章小结
4 基于相邻切片的 2.5D ULSTM-Net前列腺区域分割算法
4.1 循环神经网络基本单元
4.1.1 RNN循环神经网络单元
4.1.2 LSTM 循环神经网络单元
4.1.3 卷积 LSTM 循环神经网络单元
4.1.4 双向卷积 LSTM 循环神经网络单元
4.2 图像预处理
4.3 融合双向卷积 LSTM的 2.5D ULSTM-Net分割网络
4.4 实验结果分析
4.4.1 双向卷积 LSTM模块位置对分割性能的影响分析
4.4.2 相邻切片数目对分割性能的影响分析
4.4.3 与他人结果对比分析
4.5 本章小结
5 结论
5.1 工作总结
5.2 未来展望
参考文献
作者简历及攻读硕士/博士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;