声明
摘要
1．1 研究背景及意义
1．2 研究现状
1．2．1 腹部CT图像胰腺组织分割算法
1．2．2基于深度学习的目标检测算法
1．2．3 图像放大增强算法
1．2．4 基于注意力机制的自动分割算法
1．2．5 基于生成式对抗网络的自动分割算法
1．2．6 基于深度学习的其它相关算法
1．3研究的主要内容
1．4各章节安排
第2章相关知识
2．1区域推荐网络
2．2 扩张卷积
2．3 长短期记忆神经网络
2．4生成式对抗网络
2．5注意力机制
2．6 本章小结
第3章基于三角域有理函数和特征约束的图像放大增强方法
3．1 本章引言
3．2 构造基于三角域的有理插值函数
3．3 局部特征指导的有理插值混合模型
3．4主成份边界
3．4．1 角度量化系数
3．4．2 可变系数
3．4．3灰度相似性系数
3．5 自适应权值
3．6 参数优化
3．7 实验
3．7．1客观评价
3．7．2 主观评价
3．8 本章小结
第4章基于自动定位和循环对抗学习的胰腺分割方法
4．1 本章引言
4．2 方法描述
4．3 对面积敏感的候选区域生成算法
4．4 Pancreaus-GAN的框架
4．4．1 分割网络的DCAE模块
4．4．2 分割网络的Local-LSTM模块
4．4．3 基于对抗模块的网络性能提升
4．5 交替训练算法
4．5．1训练对抗模块
4．5．2训练分割模块
4．6 实验
4．6．1 实验数据
4．6．2 实验设置
4．6．3 评价标准
4．6．4 实验设计
4．6．5实验结果
4．7 本章小结
第5章融合空间局部相关性和语义感知的胰腺分割方法
5．1 本章引言
5．2 相关工作
5．3 DRAN的框架
5．3．1 自适应DCAE模块
5．3．2 基于Hilbert曲线Local-LSTM模块
5．3．3 分辨网络的对抗模块
5．4 实验
5．4．1 评价标准
5．4．2 实验结果
5．4．3 主观评价
5．4．4 客观评价
5．5 本章小结
第6章基于局部和非局部对抗学习的半监督胰腺分割方法
6．1 本章引言
6．2 方法描述
6．3胰腺定位算法
6．4 Pancreaus-NSGAN的框架
6．4．1 分割网络的SDCAE模块
6．4．2 分割网络的NLCA模块
6．4．3 分割网络的HL-LSTM模块
6．4．4评估网络的半监督对抗模块
6．5构造评估网络数据流
6．5．1 逐像素乘法操作
6．5．2 逐像素加法操作
6．6 实验
6．6．1 客观评价
6．6．2 主观评价
6．7 本章小结
7．1主要工作总结
7．2未来工作展望
参考文献
致谢
攻读学位期间发表的学术论文目录
攻读学位期间参与科研项目情况
山东大学;
