一、医学图像分割技术及其进展（论文文献综述）
张肖[1]（2021）在《基于全卷积神经网络与多图谱特征自适应选择的核磁脑图像分割研究》文中研究表明随着计算机与医学成像相关方法不断地优化,大量的研究人员开始利用医学影像分析技术进行理论研究和临床诊断。在医学图像处理领域,医疗研究人员为了对特定的内部组织器官做出正确的治疗决策,往往要对其具体情况进行充分了解,这时就要借助医学图像分割。脑图像区域的分割与标注是神经科学中重要的数据处理步骤,常用于核磁共振图像（Magnetic Resonance Image,MRI）的定量分析。由于基于多图谱的分割（Multi-atlas based Brain Image Parcellation,MAP）使用来自脑图谱（即手动标记的大脑区域）的先验信息,因此它可以准确地分割脑部区域,并已被广泛采用。然而MAP方法依赖于精确的图像配准且耗时较长。最近,有些研究人员利用基于全卷积网络（Fully Convolutional Network,FCN）的深度学习脑图像分割（Deep Learning based Brain Image Parcellation,DLP）方法。与MAP相比,DLP具有较高的计算效率,使其在实践中更加适用。但是,现有的一些DLP方法忽略或部分利用了大脑图谱,因此很难获得与MAP相当的分割精度。为了解决上述的问题,本文提出了新的DLP方法,该方法能够有效地利用大脑图谱。（1）该网络框架基于FCN和非局部的通道注意力机制模块（Non-local Module,NL Module）。网络的输入是要分割的目标脑图谱以及辅助分割的全部脑图谱,主分割网络融合了NL模块在不同网络层次选择的脑图谱特征作为指导,并生成最终的分割结果。（2）通过实验后发现使用全部脑图谱信息后的效果并不如使用部分图谱,本文在NL模块最后一步进行了脑图谱选择,选择权重较高的若干脑图谱融入主网络,并且获得了更好的分割效果。在两个公共磁共振脑图像数据集（LONI LPBA40和NIREP-NA0）的实验中,由于有效利用了脑图谱,我们的方法优于MAP和最新的DLP方法。
仇广杰[2]（2021）在《基于深度学习医学图像自动分割算法研究》文中研究指明随着计算机视觉技术的飞速发展,医学图像被广泛应用于医疗图像分析领域,医学图像分割成为一种可用于图像引导的干预措施。本文以人口腔黏膜微核细胞图像为研究对象,在像素水平上从医学图像中准确分割出细胞核,为后期DNA损伤等级评价奠定基础。由于像素级别的医学细胞图像结构复杂,细胞间粘连及背景与前景分界不明显,本文提出一种基于Deep Lab V3+算法与全连接条件随机场（FCRF）算法相结合的细胞图像语义分割算法,解决了深度卷积神经网络（DCNN）重复使用卷积池化操作导致语义信息丢失和目标分割图像边缘平滑的问题。本文主要研究内容如下:（1）系统阐述了几种常用深度学习图像语义分割算法,主要包括CNN,FCN,U-Net和Seg Net等,并详细介绍了不同算法的特点,为医学图像语义分割提供理论指导。（2）针对医学显微细胞图像中细胞核形态和位置对DNA损伤检测具有重要意义,为提高细胞核图像分割质量,提出了一种基于Deep Lab V3+与FCRF相结合的细胞图像语义分割算法。首先,使用空洞卷积（Atrous Convolution）算法,在不增加网络参数前提下扩大网络特征图的感受野。然后,利用密集空洞空间金字塔池化（Dense ASPP）模块进行细胞图像的密集像素特征提取和特征图谱感受野的扩大,并进行多尺度特征融合。最后,将语义分类像素作为FCRF的能量势函数的输入,通过研究邻域像素点与整幅图像的像素相关性,利用高效近似推理算法和空间平滑算法细化分割后的细胞图像边缘。（3）传统图像分割评价指标以相同方式处理分割结果中的像素,鉴于细胞图像中不同位置间的像素关系,建立了细胞图像语义分割评价标准,使客观评价结果更加符合人类视觉系统。通过人口腔黏膜微核细胞图像对比实验证实,本文提出的算法分割精度较高,边界轮廓明显优于其它算法,分割精度PA为95.34%,MIo U高达87.71%,具有较高的实用性和推广性。
陈玉翠[3]（2021）在《基于深度学习的直肠肿瘤MRI图像分割方法研究》文中研究表明本文通过研究深度学习技术,尤其是深度卷积神经网络模型,实现直肠肿瘤磁共振图像（Magnetic Resonance Imaging,MRI）的高精确度自动分割。针对医学图像普遍存在的难题:第一,可用数据量较少;第二,图像中病灶区域与其他软组织对比度差异不明显,且目标和背景区域类别不平衡;第三,缺少简单易用的自动化分割系统。本文重点展开如下三个方面的研究与创新:（1）为了实现MRI图像中直肠肿瘤区域的精确分割,解决图像中类别不平衡问题,本文首先设计了一种新型卷积神经网络方法ASR-UNet。本方法以U-Net为基本框架,使用改进的残差结构作为分割模型的基础卷积模块,这种带有跳跃连接的结构有利于梯度信息的长距离传播,从而提高模型的可训练性。其次,本方法在网络浅层特征和深层特征融合的过程中,引入空间区域和特征通道的双注意力机制,使模型可以从特征空间自适应选择相对重要的信息进行融合,如数量相对较少的掩膜区域,从而提高网络的特征表征能力,更好地结合上下文信息,改善分割结果。最后,本文设计了基于二元交叉熵损失函数和DICE损失函数的组合式损失函数,并应用于分割模型训练过程,进一步改善训练样本中类不平衡问题。（2）为了解决可用于训练的高质量直肠肿瘤标注图像数据集缺少的问题,本文首先构建了一个新的直肠肿瘤MRI图像数据集,并基于该数据集验证和对比不同自动分割框架的性能。其次,本文使用图像处理技术,如归一化、对比度增强等方法提高图像质量,改善图像清晰度和病灶区域对比度。第三,本文使用数据增强方法,通过几何变换提高训练样本多样性。在网络训练策略方面,本文基于迁移学习思想,使用在大规模训练集上得到的预训练网络模型,作为我们分割网络模型的初始化参数,可以加快网络收敛,提高网络泛化能力,降低过拟合风险。（3）为了可视化分割算法的结果,辅助医生进行直肠肿瘤的临床医学诊断,本文基于Matlab设计并实现了直肠肿瘤MRI图像自动分割系统。综上,本文提出的ASR-UNet模型集成了U-Net网络、残差网络、注意力机制的优势,在直肠肿瘤MRI图像数据集上的性能对比实验表明了本文提出研究方案的有效性与合理性。基于提出的新方法,本文最终设计并实现了直肠肿瘤MRI图像自动分割系统,为保证医生临床诊断的准确率提供了可靠的参考信息,具有一定的实际应用价值。
邹义轩[4]（2020）在《基于深度学习的甲状腺眼病图像的分割与检测》文中研究表明随着电子信息技术的快速发展,现代医院的技术水准也显着提高,许多高新科技的引入使得对应的医学操作变得自动化,免除了人工的繁杂操作。甲状腺相关性眼病（Thyroid Associate Ophthalmopathy,TAO）是成人常见的眼眶疾病之一,属自身免疫性疾病,确切发病机制尚不清楚。眼部直肌的畸变是TAO发病的主要原因之一,将眼部直肌组织从眼部CT图像中分割出来并进行检测对TAO的初步筛查和后期诊断有着重要意义。本文使用深度学习技术对眼部CT图像自动分割与眼部直肌图像自动检测方面的研究,可以减少人力成本,提高诊断效率。本文的第一个研究点是针对卷积神经网络参数量过大、梯度容易消失、分割效果不佳等问题,提出了一个基于密集卷积神经网络Dense Net和选择性卷积核机制SKNet改进的U-Net网络模型进行眼部CT图像的分割。U-Net模型中编码器使用池化层逐渐缩减输入数据的空间维度,解码器通过反卷积层等网络层逐步恢复目标的细节和相应的空间维度。从编码器到解码器之间,通常存在直接的信息连接,来帮助解码器更好地恢复目标细节。在传统的卷积神经网络算法中,每一层的人工神经元的感受野都是固定的,但是在神经科学领域视觉皮层神经元的感受野大小会受到刺激而进行调节,选择性卷积核机制SKNet可以使每一个神经元依据输入特征的多尺度信息自适应选择感受野的大小,提高分割精度。本文的第二个研究点是在眼部直肌图像检测任务中,针对眼部直肌图像训练样本数量较少的问题,传统算法并不能得到很好分类效果,提出了基于迁移学习的眼部直肌图像识别方法。迁移学习可以在原领域对数据进行很好的应用建立模型后在其它领域使用,可以节省大量的时间和资源,减少计算量。本文利用迁移学习技术构建卷积神经网络,完成眼部直肌图像的最终检测。综上所述,本文研究了基于密集卷积网络Dense Net和选择性卷积核机制SKNet改进后的U-Net网络模型来进行眼部CT图像的分割,然后将其分割得到的眼部直肌图像放入微调迁移模型Inception-V3中进行训练,最终完成了TAO图像的检测。通过实验验证了上述提出的模型和方法的有效性以及实际应用价值,对于其它类型的医学图像分类也有很好的借鉴意义。
郝肖肖[5]（2020）在《基于深度学习的病理图像细胞核分割方法研究》文中指出医学图像分割是医学图像处理与分析领域中关键的技术,其目的是将医学图像中具有特殊含义的部分分割出来,并提取相关特征,为临床诊疗和病理学研究提供可靠的依据,辅助医生做出准确的诊断。精确的细胞核分割是细胞检测、细胞分类及肿瘤分级的基础,近年来受到科研人员的高度关注。由于在细胞形态、染色过程、扫描设备等方面,不同的病理学图像具有差异性,因此进行细胞核精确分割是一项具有挑战性的任务。本文主要基于深度学习的病理图像细胞核分割方法进行研究,主要工作如下:（1）设计了基于ResNet残差块的病理图像细胞核分割模型。为了能够获取病理图像深层次的特征信息,该模型在U-Net网络的编码和解码阶段采用ResNet残差块取代其基础卷积块。在癌症基因组图谱（The Cancer Genomic Atlas,TCGA）数据集上进行实验对比分析,该模型分割结果的平均Dice系数为0.7916,优于CNN2的0.6928、CNN3的0.7623及U-Net的0.7807。（2）设计了基于细胞核与细胞轮廓信息聚合模块的病理图像细胞核分割模型。为了提高细胞重叠、边界粘连、染色质疏松病理切片的分割精度。本文设计的模型在编码阶段采用DenseNet取代U-Net的编码部分,不仅可以降低网络模型的参数量,而且可以获得更加详细的图像特征信息。该模型的两个解码器作为输出分支,在两个特定任务解码器之间具有多级信息聚合模块,可以融合细胞轮廓与细胞核的特征信息。实验结果表明,在TCGA数据集上,该模型相比于基础的U-Net网络平均Dice系数提高了3.88%,表明在聚合信息的过程中,细胞轮廓可以辅助模型识别出复杂的细胞边界,对于编码阶段压缩的图像特征信息的恢复发挥着至关重要的作用。
侯军军[6]（2020）在《基于眼底荧光血管造影的视网膜静脉阻塞人工智能分型诊断系统及其应用》文中认为【目的】探索人工智能在视网膜静脉阻塞（RVO）患者眼底荧光血管造影（FFA）阅片中的应用价值,为RVO患者的临床管理提供人工智能解决方案。首先建立基于RVO患者FFA影像图片的人工智能深度学习神经网络模型,使其自动识别并定量分析无灌注区,自动定位视盘与黄斑位置。其次利用所建人工智能模型定量分析视网膜中央静脉阻塞（CRVO）无灌注区面积与发生新生血管并发症的关系,为CRVO分型诊断提供可靠有效的预测指标。最后利用该模型定位视网膜分支静脉阻塞（BRVO）需激光治疗的具体区域,指导其临床精准靶向激光治疗。【方法】本课题分三部分进行:第一部分建立RVO患者FFA图像深度学习神经网络模型,第二部分及第三部分分别研究其在CRVO及BRVO中的应用价值。1、以海德堡HRA+OCT多功能眼底影像诊断仪55°视野镜头下以黄斑为中心的FFA图像为研究对象,通过前期预实验测试确定图像分割任务为无灌注区、视盘及黄斑。选取170张RVO患眼的FFA图像用于无灌注区分割模型的构建,对170张图像进行标注及预处理后,按照8:1:1比例随机分配为训练集136张、验证集17张、测试集17张。选取505张后极部FFA图像用于视盘黄斑定位模型的构建,对505张图像进行标注及预处理后,按照8:1:1比例随机分配为训练集404张、验证集50张、测试集51张。以全卷积神经网络U-Net网络为框架建立了针对3种目标任务的人工智能图像分割模型。以像素精度（PA）及交并比（Io U）作为无灌注区识别的评价指标,以模型预测的视盘及黄斑中心位置与其实际位置之间的距离作为评价视盘黄斑定位指标。选取同一设备同一视野镜头下正常眼底的红外线图像583张,标注其视盘区域,经统计分析得出正常眼底FFA图像的视盘面积值。2、2017年1月至2018年12月经确诊并行FFA检查的CRVO患者343例343只眼病历资料及FFA图像纳入本研究。追溯其自发病之日起至少12个月发生新生血管事件的风险。利用Photoshop软件对其中行FFA改良五视野检查的327例327只眼CRVO患者图像进行拼图处理。应用所建的基于深度学习的RVO模型,定量分析55°视野后极部FFA图像及改良五视野拼图下的无灌注区面积,采用ROC曲线评价无灌注区面积对CRVO发生新生血管事件的诊断价值,根据约登指数的最大值得出新生血管事件发生的最佳临界值。3、2018年3月至2018年6月经确诊并行FFA检查的50例BRVO患眼的55°视野后极部FFA图像纳入本研究。应用所建的基于深度学习的RVO模型,对所有纳入的BRVO患眼的后极部FFA图像进行无灌注区自动识别,并定位其视盘及黄斑位置。参照治疗增殖性糖尿病视网膜病变（PDR）时全视网膜激光光凝（PRP）的激光禁区,根据自动定位的视盘及黄斑位置确定激光治疗禁区。自动识别的无灌注区范围减去激光治疗禁区即为模型自动预测的需要激光治疗的无灌注区范围。由眼底病专家对模型预测的激光治疗范围进行评估来确定其与实际需要治疗范围是否一致。【结果】1、模型的预测能力:所建模型对无灌注区识别的PA平均值为0.988,Io U平均值为0.909。模型预测的视盘中心与实际视盘中心的距离为11.783±5.657像素。模型预测的黄斑中心与实际黄斑中心的距离为7.616（4.472,13.892）像素。平均每张图像的预测时间约为3.4秒。2、CRVO无灌注区与新生血管事件的关系:55°镜头单视野下FFA图像中,343只CRVO患眼中有26只眼发生了新生血管事件,发生率为7.58%。无灌注区面积诊断CRVO发生新生血管事件的曲线下面积（AUC）为0.889,最佳临界值为20.997DA,灵敏度为0.808,特异度为0.946。改良五视野拼图中,327只CRVO患眼中有23只眼发生了新生血管事件,发生率为7.03%。无灌注区面积诊断CRVO发生新生血管事件的AUC为0.921,最佳临界值为80.834DA,灵敏度为0.783,特异度为0.947。3、模型预测BRVO激光治疗区域的准确性:模型对该50例BRVO图像无灌注区识别的PA为0.911±0.067,Io U为0.875（0.819,0.917）。模型预测的视盘中心与实际视盘中心的距离为15.657±8.061像素。模型预测的黄斑中心与实际黄斑中心的距离为7.343（0,14.079）像素。模型对50例BRVO图像的激光治疗范围预测结果中,有47张图像预测范围与实际需要治疗范围一致,占94%;3张图像预测范围与实际需要治疗范围不一致,占6%。【结论】1、应用全卷积神经网络U-Net网络结构搭建了基于FFA影像图片的识别并定量RVO无灌注区、定位视盘及黄斑中心位置的人工智能深度学习模型。测试结果显示模型性能优秀。2、人工智能与CRVO患者FFA图像的结合可为其分型诊断提供决策依据。55°视野镜头下后极部无灌注区>20DA或改良五视野拼图下无灌注区>80DA可作为CRVO缺血分型的阈值标准。3、人工智能与BRVO患者FFA图像的结合可为临床激光光凝无灌注区划定具体治疗范围,为临床精准靶向激光治疗提供人工智能解决方案。
滕琳[7]（2020）在《一种基于无监督主动轮廓模型的图像分割研究》文中认为图像分割是图像分析的重要组成部分,也是计算机视觉中的一项重要任务,可以将目标从背景中分离出来,为后期图像处理提供技术支撑,如故障识别、目标识别、变化检测、区域定位等。图像分割在计算机视觉中具有重要意义。其中主动轮廓模型由于能够提供平滑、封闭的边界轮廓作为分割结果而得到了广泛的应用。然而,当试图对噪声较大的图像进行分割时,图像容易受到污染,分割效果较差。现有的方法在计算能量函数时假定每个区域的像素是独立的。这一基本假设使轮廓运动对噪声敏感。此外,层次集方法的实现复杂且耗时,限制了其在大型图像数据库中的应用。目前的水平集方法大多是在全图像域上进行计算;然而,对远离演化轮廓的像素点进行计算对于获取目标边界没有意义,导致计算复杂度增加。因此,本文提出了一种基于混合能量和Fisher准则的无监督主动轮廓模型用于图像分割。为了实现图像分割的准确高效,对局部区域信息进行了变换,并引入了基于全局区域信息和局部信息的主动轮廓模型的Fisher准则。这种方式对主动轮廓模型进行了优化。此外,将目标区域和背景区域像素的类内方差作为目标区域和背景区域的能量权重,可以自适应调整区域能量的比例,提高模型的分割精度。在此基础之上,改进了主动轮廓模型。而计算能量权重是以一种类内方差来计算的。即,将目标区域和背景区域像素作差,对于调整区域能量其鲁棒性非常强。所提出方法不需要先验知识,而且不需要人工干预。最终,图像的分割精度大大提高。实验结果表明,该方法在没有语义先验的情况下,具有较高的分割精度和竞争力。
詹金豪[8]（2019）在《基于深度学习的CT图像病患区域分割技术研究》文中进行了进一步梳理医学影像己经成为医生进行疾病诊断的重要参考信息。随着医学图像数量的快速增长,基于计算机的自动医学图像分析成为现代医学影像学的主要研宄方向之一。阅览大量医学图像并做出诊断对于医生来说是一项繁琐的任务,容易受到医生经验和疲劳程度的影响,计算机辅助诊断系统则有助于降低医生阅片负担和提高诊断准确率。甲状腺相关性眼病（TAO）是一种成人最常见的眼眶疾病之一,属自身免疫性疾病,确切发病机制尚不清。医院通常对患者眼部进行扫描得到CT图像进行病情分析,而眼部直肌的畸变是TAO发病的主要原因之一,故将眼部直肌分割出来具有显着的现实意义。本文研究了基于深度学习的医学图像眼部直肌自动分割算法。首先介绍了常见的图像分割算法,然后把研究重心放在基于神经网络的图像分割算法上,介绍了基于神经网络进行图像分割的几个网络,包括全卷积网络、SegNet、DeconvNet和DeepLab以及各个网络在语义分割上的技术原理。在此基础上做了两个研究。本文的第一个研究点是针对卷积神经网络网络参数巨大、训练难以收敛、计算量大等问题,选取了三种Inception module,提出结合InceptionNet的U-net作为医学图像分割网络,将不同的Inception module插入U-net对应的位置,以增加网络的宽度和深度来提升网络性能为目的,设计了7个Inception-U-net变体,在ISBI数据集上训练与测试,来探究Inception-U-net的最佳网络结构,使得Inception-U-net在训练阶段更快收敛,并能够更加精准地分割图像。本文的第二个研究点是在眼部CT图像分割任务中,在对眼部直肌数据集进行数据脱敏后,针对医学图像样本稀少,难以训练的问题,应用数据集增强算法,将数据集数量扩充,以满足训练的需要;使用labelme数据集标注工具对数据进行标注后,使用Inception-U-net在制作好的数据集上训练和测试,并与原版U-net在此数据集上的实验结果做对比,实验结果显示,Inception-U-net能够自动分割眼部直肌组织区域,并且分割结果比U-net的分割精度提高了8.38%,对医生诊断患者病情具有辅助作用,也推动了深度学习在医学图像分割上的发展。
汪杰[9]（2019）在《基于CT图像的种猪优选方法研究与实现》文中认为种猪育种技术的研究在全世界都处于一个重要的地位。目前种猪育种技术以专门化品系培育和配套系培育为主流,为了开拓新的育种方案,更多的学者尝试将其他技术引入到育种当中,由此出现了医学图像应用于育种技术的诞生。随着医学图像领域的发展,医学图像结合计算机技术成为重要的研究方向。医学图像分割作为医学图像处理与分析的基础,其发展经历了手动分割、半自动分割和全自动分割过程,在人体中应用于骨骼分割、肺部提取、肿瘤去除等方面。人体结构用于医学图像上的分割方法同样适用于动物体中,但是没有一种分割算法能适用于不同结构对象。针对这一问题,本文基于CT图像的种猪优选方法的研究,提出一种精确分割骨骼、脂肪、肌肉组织,并测定其在整体的质量占比的分割算法。该算法将人为干预减小到最低,快速准确地分割出骨骼、脂肪以及肌肉部分区域,并测定它们在整体中的占比。本文以种猪为研究对象,对获取的CT图像进行分析,首先对CT图像进行预处理,利用高斯滤波对图像进行平滑和消除噪声的操作,再运用区域生长的思想将CT图像中影响骨骼分割的CT床体部分去除。去除以后,分别运用了两种分割算法提取骨骼部位,分别是基于改进的水平集方法的快速水平集算法和基于骨骼CT值的阈值分割法。考虑到内脏部分的存在对脂肪以及肌肉分割存在一定的影响,运用胴体中器官距离等比例思想,结合阈值法、形态学操作、孔洞填充等多种算法将内脏去除,然后利用双阈值法、逻辑运算等操作分割脂肪以及肌肉部分,最后根据各部位在胴体中所占像素的体积以及密度求出其质量以及在整体中的占比。将算法运用到实验中,通过与美国公司提供的对比数据进行比较,探究算法中可能存在的问题所在,以此作为未来的研究重点对算法做进一步的改进。
刘先丽[10]（2019）在《基于FCN和多图谱信息的脑图像分割研究》文中研究指明近年来随着医学设备的发展及成本的降低,医学图像分析在疾病诊断、诊治方案策划、病情监测等方面起着重要的作用。其中医学图像分割作为医学图像分析和处理中的一个重要环节被广泛关注和研究。脑图像解剖区域的精确标注对于核磁MR（Magnetic Resonance）脑图像的定量分析起着重要的作用。在临床试验中,一般通过人工手动的方式在脑图像中标注兴趣区域,但这种方法效率低且分割结果大多不可重复。近年来,许多研究提出了自动分割方法对脑图像进行分割。其中多图谱图像分割方法MAP（Multi-atlas based Brain Image Parcellation）是最成功的方法并被广泛应用。其主要的思想是将多个包含有手动标注脑区域标签的脑图谱分别配准到新的待分割脑图像;配准之后,每个脑图谱中的解剖区域标签会传播到该待分割的脑图像中,最后通过标签融合得到最终的分割结果。显然,图像配准在MAP中起着关键作用,但是配准算法对图像的质量以及大脑结构的个体差异非常敏感,而且配准时间较长。针对上述问题,本文提出一种使用全卷积神经网FCN（Fully Convolutional Network）和多图谱信息的MR脑图像区域分割方法。提出了两种基于FCN的MR脑图像区域分割方法:（1）本文提出了一种人工选择脑图谱的GAN（Generative Adversarial Networks）来提高自动和鲁棒的脑图像区域分割。在该方法的GAN中,一个带有多级特征跳级连接的3D FCN作为生成模型,一个3D卷积神经网络CNN（Convolutional Neural Networks）作为判别模型。实验结果表明,该方法中的GAN能实现比MAP更加精确、鲁棒和有效的脑图像区域分割。（2）为了充分利用多图谱中的先验信息,本文对（1）中的生成模型进行了改进。通过将SENet（Squeeze-and-Excitation Networks）中的SE模块整合到前一工作的GAN框架中,实现网络自适应地选择对当前待分割脑图像最适合的多图谱信息,消除了前一工作中预先手动选择多图谱所可能产生的误差。实验结果显示,该方法对于脑图像的区域分割精度优于（1）中方法。
二、医学图像分割技术及其进展（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、医学图像分割技术及其进展（论文提纲范文）
（1）基于全卷积神经网络与多图谱特征自适应选择的核磁脑图像分割研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题的目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 传统的脑图像区域分割技术及其进展 |
| 1.2.2 深度学习应用于医学图像分割领域 |
| 1.3 本文的研究内容及章节安排 |
| 第二章 MR图像分割基础及深度学习相关方法 |
| 2.1 引言 |
| 2.2 MR成像原理介绍 |
| 2.2.1 MR基本成像原理 |
| 2.2.2 磁共振成像仪的基本组成 |
| 2.2.3 MRI的优势 |
| 2.3 常用的医学图像分割方法 |
| 2.3.1 单图谱引导的图像分割方法 |
| 2.3.2 多图谱引导的图像分割方法 |
| 2.3.3 基于图像块的图像分割方法 |
| 2.4 深度学习的相关基础知识 |
| 2.4.1 深度学习简介 |
| 2.4.2 神经网络的基本构成 |
| 2.4.3 CNN的基础理论 |
| 2.4.4 基于CNN的医学图像分割方法 |
| 2.4.5 基于FCN的医学图像分割方法 |
| 2.5 本章小结 |
| 第三章 基于多图谱特征自适应选择与全卷积神经网络的核磁脑图像分割 |
| 3.1 引言 |
| 3.2 非局部通道注意力机制 |
| 3.3 数据的预处理 |
| 3.4 多图谱特征自适应选择与全卷积神经网络 |
| 3.4.1 主分割网络 |
| 3.4.2 脑图谱特征提取网络 |
| 3.4.3 脑图谱特征选择网络 |
| 3.5 模型的训练与测试过程 |
| 3.6 实验结果与分析 |
| 3.6.1 LONI LPBA40数据集实验结果分析 |
| 3.6.2 NIREP-NA0数据集实验结果分析 |
| 3.7 本章小结 |
| 第四章 联合高权重脑图谱特征与全卷积神经网络的核磁脑图像分割 |
| 4.1 引言 |
| 4.2 联合高权重脑图谱特征与全卷积神经网络 |
| 4.2.1 高权重脑图谱特征选择网络指导分割 |
| 4.2.2 脑图谱数值K的设置 |
| 4.3 数据的预处理及模型的训练与测试过程 |
| 4.4 实验结果与分析 |
| 4.4.1 LONI LPBA40数据集实验结果分析 |
| 4.4.2 NIREP-NA0数据集实验结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（2）基于深度学习医学图像自动分割算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 选题的来源 |
| 1.3 医学图像分割国内外研究现状 |
| 1.4 论文的组织结构 |
| 第二章 深度学习图像分割方法概述 |
| 2.1 图像分割基本原理 |
| 2.2 常见的深度学习图像分割方法 |
| 2.2.1 基于CNN图像分割 |
| 2.2.2 基于FCN图像分割 |
| 2.2.3 基于U-Net图像分割 |
| 2.2.4 基于SegNet图像分割 |
| 2.3 本章小结 |
| 第三章 基于DeepLabV3+的医学图像语义分割算法 |
| 3.1 DeepLabV3+网络结构 |
| 3.1.1 空洞卷积(Atrous Convolution) |
| 3.1.2 空洞空间金字塔池化ASPP(Atrous Spatial Pyramid Pooling) |
| 3.1.3 编解码结构(Encoder-Decoder) |
| 3.2 基于DeepLabV3+细胞图像语义分割算法 |
| 3.2.1 空洞卷积(Atrous Convolution)扩大感受野 |
| 3.2.2 密集空洞空间金字塔池化(DenseASPP) |
| 3.2.3 Softmax分类 |
| 3.3 评价标准 |
| 3.4 实验结果分析 |
| 3.4.1 实验数据集 |
| 3.4.2 实验设置 |
| 3.4.3 结果分析 |
| 3.5 本章小结 |
| 第四章 基于DeepLabV3+与FCRF相融合的医学图像语义分割算法 |
| 4.1 条件随机场 |
| 4.2 全连接条件随机场 |
| 4.3 基于全连接条件随机场细胞图像语义分割算法 |
| 4.4 实验结果分析 |
| 4.4.1 实验数据集 |
| 4.4.2 实验设置 |
| 4.4.3 结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（3）基于深度学习的直肠肿瘤MRI图像分割方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 医学图像分割方法 |
| 1.2.2 直肠肿瘤图像分割方法 |
| 1.3 本文研究内容及结构安排 |
| 2 医学图像分割的相关理论基础 |
| 2.1 医学影像成像原理 |
| 2.1.1 X射线成像 |
| 2.1.2 磁共振成像 |
| 2.1.3 超声成像 |
| 2.1.4 核医学成像 |
| 2.2 医学图像分割方法分类 |
| 2.3 深度学习的基础知识 |
| 2.3.1 深度学习的发展概述 |
| 2.3.2 卷积神经网络理论 |
| 2.4 基于深度学习的医学图像分割方法 |
| 2.4.1 基于卷积神经网络 |
| 2.4.2 基于全卷积神经网络 |
| 2.5 本章小结 |
| 3 基于改进U-Net网络的直肠肿瘤图像分割算法 |
| 3.1 U-Net网络结构 |
| 3.2 基于残差结构的改进分割网络Res UNet |
| 3.3 融合双重注意力机制的ASR-UNet分割网络设计 |
| 3.3.1 注意力机制 |
| 3.3.2 ASR-UNet网络结构 |
| 3.4 直肠肿瘤图像分割网络的损失函数设计 |
| 3.4.1 交叉熵损失 |
| 3.4.2 加权交叉熵损失 |
| 3.4.3 DICE损失 |
| 3.4.4 改进的损失函数 |
| 3.5 迁移学习 |
| 3.6 本章小结 |
| 4 基于改进U-Net网络的直肠肿瘤图像分割实验与分析 |
| 4.1 实验方案 |
| 4.2 图像预处理 |
| 4.2.1 图像格式转化 |
| 4.2.2 归一化处理 |
| 4.2.3 对比度增强 |
| 4.2.4 数据扩充 |
| 4.3 实验环境及评价标准 |
| 4.3.1 实验环境 |
| 4.3.2 实验参数及训练策略 |
| 4.3.3 评价指标 |
| 4.4 模型测试和结果分析 |
| 4.4.1 网络模型性能对比分析 |
| 4.4.2 损失函数性能对比分析 |
| 4.5 自动分割系统的设计与实现 |
| 4.5.1 系统模块设计 |
| 4.5.2 系统实现 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 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 |
（4）基于深度学习的甲状腺眼病图像的分割与检测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题研究背景与意义 |
| 1.1.1 甲状腺相关眼病介绍 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究方法 |
| 1.4 论文研究内容及结构安排 |
| 1.5 本章小结 |
| 第2章 图像分割技术 |
| 2.1 传统图像分割技术 |
| 2.1.1 基于边缘的分割方法 |
| 2.1.2 基于区域的分割方法 |
| 2.1.3 基于小波变换的分割方法 |
| 2.1.4 基于数学形态学的分割方法 |
| 2.2 基于深度学习的图像分割技术 |
| 2.2.1 深度学习概述 |
| 2.2.2 基于深度学习的图像语义分割 |
| 2.2.3 神经网络在医学图像分割上的应用 |
| 2.3 本章小结 |
| 第3章 基于Dense Net和 SKNet改进的U-Net眼部CT图像分割方法 |
| 3.1 图像预处理 |
| 3.1.1 医学图像脱敏 |
| 3.1.2 ROI区域提取 |
| 3.1.3 图像去噪 |
| 3.1.4 数据集制作 |
| 3.1.5 数据增强 |
| 3.2 改进的U-Net模型的搭建 |
| 3.2.1 经典U-Net模型介绍 |
| 3.2.2 Dense Net介绍 |
| 3.2.3 SKNet介绍 |
| 3.2.4 基于Dense Net和 SKNet改进的U-Net模型搭建 |
| 3.3 分割实验及结果展示 |
| 3.4 本章小结 |
| 第4章 基于迁移学习的眼部直肌图像检测 |
| 4.1 迁移学习介绍 |
| 4.2 眼部直肌检测迁移网络模型的搭建 |
| 4.3 实验与检测结果 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（5）基于深度学习的病理图像细胞核分割方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文研究目标与内容 |
| 1.4 论文章节安排 |
| 2 深度学习图像分割基础 |
| 2.1 人工神经网络(ANN) |
| 2.1.1 神经元 |
| 2.1.2 多层感知机 |
| 2.2 卷积神经网络(CNN) |
| 2.2.1 卷积运算 |
| 2.2.2 池化运算 |
| 2.2.3 批量标准化 |
| 2.2.4 激活函数 |
| 2.2.5 损失函数 |
| 2.2.6 Dropout |
| 2.3 全卷积神经网络(FCN) |
| 2.3.1 网络结构 |
| 2.3.2 反卷积 |
| 2.4 本章小结 |
| 3 基于U-Net的病理图像细胞核分割 |
| 3.1 U-Net网络模型 |
| 3.2 基于ResNet残差块的细胞核分割模型 |
| 3.3 分割评价指标 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据 |
| 3.4.2 数据预处理 |
| 3.4.3 实验环境 |
| 3.4.4 实验过程 |
| 3.4.5 结果分析 |
| 3.5 本章小结 |
| 4 基于信息聚合模块的病理图像细胞核分割 |
| 4.1 DenseNet网络模型 |
| 4.2 基于信息聚合模块的细胞核分割模型设计 |
| 4.2.1 基于DenseNet的细胞核分割模型 |
| 4.2.2 基于信息聚合模块的细胞核分割模型 |
| 4.3 实验部分 |
| 4.3.1 实验过程 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 工作展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）基于眼底荧光血管造影的视网膜静脉阻塞人工智能分型诊断系统及其应用（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩略语/符号说明 |
| 前言 |
| 研究现状、成果 |
| 研究目的 |
| 研究方法 |
| 一、建立基于深度学习的RVO无灌注区识别模型 |
| 1.1 对象和方法 |
| 1.1.1 研究对象 |
| 1.1.2 研究方法 |
| 1.1.3 方法实现平台 |
| 1.1.4 评价标准 |
| 1.2 结果 |
| 1.2.1 无灌注区识别 |
| 1.2.2 视盘定位 |
| 1.2.3 黄斑定位 |
| 1.2.4 视盘定量结果 |
| 1.2.5 模型分割效率 |
| 1.3 讨论 |
| 1.3.1 图像标注目标 |
| 1.3.2 图像视野范围 |
| 1.3.3 模型识别效果 |
| 1.4 小结 |
| 二、基于人工智能的CRVO分型诊断 |
| 2.1 对象和方法 |
| 2.1.1 研究对象 |
| 2.1.2 研究方法 |
| 2.2 结果 |
| 2.2.1 55°后极部图像结果 |
| 2.2.2 是否抗VEGF药物注射 |
| 2.2.3 五视野拼图图像结果 |
| 2.3 讨论 |
| 2.3.1 关于新生血管事件定义 |
| 2.3.2 抗VEGF真实世界研究 |
| 2.3.3 人工标注与AI预测差异 |
| 2.3.4 关于图像视野范围 |
| 2.3.5 最佳临界值及意义 |
| 2.3.6 研究的局限性 |
| 2.4 小结 |
| 三、基于人工智能的BRVO诊疗决策 |
| 3.1 对象和方法 |
| 3.1.1 研究对象 |
| 3.1.2 研究方法 |
| 3.2 结果 |
| 3.2.1 无灌注区识别 |
| 3.2.2 视盘定位 |
| 3.2.3 黄斑定位 |
| 3.2.4 激光范围定性分析 |
| 3.2.5 分割效率 |
| 3.3 讨论 |
| 3.4 小结 |
| 全文结论 |
| 论文创新点 |
| 参考文献 |
| 综述 人工智能深度学习技术在眼科中的应用研究进展 |
| 综述参考文献 |
| 致谢 |
| 个人简历 |
（7）一种基于无监督主动轮廓模型的图像分割研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 图像分割研究背景 |
| 1.2 图像分割研究意义 |
| 1.3 图像分割国内外研究现状 |
| 1.4 本文的主要研究内容 |
| 1.5 本文组织结构 |
| 第2章 图像分割基础知识 |
| 2.1 图像分割定义 |
| 2.2 图像分割基本方法及分类 |
| 2.2.1 基于区域的图像分割 |
| 2.2.2 基于边缘的图像分割 |
| 2.2.3 基于数学模型的图像分割 |
| 2.3 本章小结 |
| 第3章 主动轮廓模型 |
| 3.1 主动轮廓模型分割理论基础 |
| 3.1.1 曲线演化理论 |
| 3.1.2 水平集方法 |
| 3.1.3 变分集方法 |
| 3.2 经典主动轮廓模型 |
| 3.2.1 基于边缘的主动轮廓模型 |
| 3.2.2 基于区域的主动轮廓模型 |
| 3.3 本章小结 |
| 第4章 无监督主动轮廓模型的图像分割算法 |
| 4.1 已有改进算法概述 |
| 4.2 无监督主动轮廓分割算法 |
| 4.2.1 耦合曲线演化方程 |
| 4.2.2 基于全局区域的主动轮廓模型 |
| 4.2.3 基于局部区域的主动轮廓模型 |
| 4.2.4 Fisher准则的引入 |
| 4.3 本章小结 |
| 第5章 实验分析 |
| 5.1 自然图像实验 |
| 5.2 医学图像实验 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（8）基于深度学习的CT图像病患区域分割技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题研究背景 |
| 1.2 国内外研究现状 |
| 1.3 研究方法 |
| 1.4 研究意义 |
| 1.5 研究内容 |
| 1.6 全文结构 |
| 1.7 本章小结 |
| 第2章 图像分割技术 |
| 2.1 传统图像分割技术 |
| 2.1.1 基于阈值的分割方法 |
| 2.1.2 基于边缘的分割方法 |
| 2.1.3 基于区域的分割方法 |
| 2.1.4 基于聚类分析的图像分割方法 |
| 2.1.5 基于小波变换的分割方法 |
| 2.1.6 基于数学形态学的分割方法 |
| 2.2 基于深度学习的图像分割技术 |
| 2.2.1 深度学习概述 |
| 2.2.2 基于深度学习的图像语义分割 |
| 2.2.3 神经网络在医学图像分割上的应用 |
| 2.3 本章小结 |
| 第3章 基于Inception module的改进U-net |
| 3.1 GOOGLE INCEPTION MODULE |
| 3.2 改进的U-NET的搭建 |
| 3.2.1 经典U-net的搭建 |
| 3.2.2 用Inception module和空洞卷积改进U-net |
| 3.2.3 对Inception module应用的探究 |
| 3.2.4 使用空洞卷积替代池化运算 |
| 3.3 分割实验及结果展示 |
| 3.3.1 数据集介绍 |
| 3.3.2 数据集增强 |
| 3.3.3 在细胞分割任务中探索Inception-U-net的网络结构 |
| 第4章 基于Inception-U-net的眼部直肌分割 |
| 4.1 甲状腺相关眼病 |
| 4.2 图像预处理 |
| 4.2.1 医学图像脱敏 |
| 4.2.2 ROI区域提取 |
| 4.2.3 图像去噪 |
| 4.2.4 数据集制作 |
| 4.3 实验与分割结果 |
| 第5章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（9）基于CT图像的种猪优选方法研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外的研究现状 |
| 1.2.2 国内的研究现状 |
| 1.3 研究内容安排 |
| 第二章 医学CT图像及医学图像分割算法概述 |
| 2.1 CT的基本概念 |
| 2.1.1 CT成像的基本原理 |
| 2.2 CT图像及其相关参数 |
| 2.2.1 像素和体素 |
| 2.2.2 CT值 |
| 2.2.3 窗宽和窗位 |
| 2.3 经典医学图像分割算法 |
| 2.3.1 阈值分割 |
| 2.3.2 基于边缘的分割方法 |
| 2.3.3 区域分割 |
| 2.3.4 基于主动轮廓模型的分割 |
| 2.4 本章小结 |
| 第三章 胴体分割及骨骼分割方法 |
| 3.1 基于CT图像的胴体分割方法 |
| 3.1.1 CT图像去噪 |
| 3.1.2 CT图像床体的去除 |
| 3.2 基于阈值法的骨骼分割 |
| 3.3 基于水平集方法的骨骼分割 |
| 3.3.1 传统水平集方法 |
| 3.3.2 快速水平集方法 |
| 3.3.3 改进的Chan-Vese分割准则 |
| 3.3.4 快速水平集方法在骨骼分割中的应用 |
| 3.4 本章小结 |
| 第四章 内脏的去除以及脂肪和肌肉的分割 |
| 4.1 内脏的去除 |
| 4.2 脂肪的分割 |
| 4.3 肌肉的分割 |
| 4.4 本章小结 |
| 第五章 各组织质量占比测量以及实验结果的研究和分析 |
| 5.1 各组织质量占比测量 |
| 5.2 实验环境配置 |
| 5.3 实验结果分析 |
| 5.4 实验问题探究 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 研究生在读期间的研究成果 |
| 致谢 |
（10）基于FCN和多图谱信息的脑图像分割研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题的目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 脑图像分割技术的发展 |
| 1.2.2 深度学习在医学图像分割领域的应用 |
| 1.3 本文的研究内容与章节安排 |
| 第二章 MR成像原理与医学图像分割方法 |
| 2.1 引言 |
| 2.2 MR成像的原理 |
| 2.3 图像分割概述 |
| 2.4 传统的医学图像分割方法 |
| 2.4.1 基于单图谱的医学图像分割方法 |
| 2.4.2 基于多图谱的医学图像分割方法 |
| 2.4.3 基于块的图像分割方法 |
| 2.4.4 基于配准方法与图像块方法的结合 |
| 2.5 深度学习相关知识 |
| 2.5.1 深度学习概述 |
| 2.5.2 神经网络 |
| 2.5.3 卷积网络的基础理论 |
| 2.5.4 基于深度学习的医学图像分割方法 |
| 2.6 本章小结 |
| 第三章 基于多图谱和对抗FCN的MR脑图像区域分割 |
| 3.1 引言 |
| 3.2 生成对抗网络 |
| 3.2.1 生成对抗网络结构 |
| 3.2.2 生成对抗网络的训练 |
| 3.2.3 生成对抗网络在图像分割中的应用 |
| 3.3 数据预处理 |
| 3.4 对抗的全卷积神经网络模型设计 |
| 3.4.1 生成模型设计 |
| 3.4.2 判别模型设计 |
| 3.5 训练过程和测试过程 |
| 3.6 实验结果与分析 |
| 3.6.1 LONI LPBA40数据集上的实验结果评估 |
| 3.6.2 NIREP-NA0数据集上的实验结果评估 |
| 3.7 本章小结 |
| 第四章 基于自适应图谱特征选择和对抗FCN的MR脑图像区域分割 |
| 4.1 引言 |
| 4.2 Squeeze-and-Exciation网络(SENet) |
| 4.3 数据预处理 |
| 4.4 多图谱特征的自适应选择和对抗全卷积网络 |
| 4.4.1 生成网络模型FCN-SE |
| 4.4.2 判别网络模型 |
| 4.5 训练过程和测试过程 |
| 4.6 实验结果与分析 |
| 4.6.1 LONI LPBA40数据集上的实验结果评估 |
| 4.6.2 NIREP-NA0数据集上的实验结果评估 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的学位论文 |
| 攻读硕士学位期间参与的科研项目 |
四、医学图像分割技术及其进展（论文参考文献）
- [1]基于全卷积神经网络与多图谱特征自适应选择的核磁脑图像分割研究[D]. 张肖. 安徽大学, 2021
- [2]基于深度学习医学图像自动分割算法研究[D]. 仇广杰. 吉林农业大学, 2021
- [3]基于深度学习的直肠肿瘤MRI图像分割方法研究[D]. 陈玉翠. 青岛科技大学, 2021(02)
- [4]基于深度学习的甲状腺眼病图像的分割与检测[D]. 邹义轩. 湖北工业大学, 2020(03)
- [5]基于深度学习的病理图像细胞核分割方法研究[D]. 郝肖肖. 北京交通大学, 2020(03)
- [6]基于眼底荧光血管造影的视网膜静脉阻塞人工智能分型诊断系统及其应用[D]. 侯军军. 天津医科大学, 2020(06)
- [7]一种基于无监督主动轮廓模型的图像分割研究[D]. 滕琳. 沈阳师范大学, 2020(12)
- [8]基于深度学习的CT图像病患区域分割技术研究[D]. 詹金豪. 湖北工业大学, 2019(06)
- [9]基于CT图像的种猪优选方法研究与实现[D]. 汪杰. 安徽工业大学, 2019(02)
- [10]基于FCN和多图谱信息的脑图像分割研究[D]. 刘先丽. 安徽大学, 2019(07)