一、基于BP神经网络的MRI分割（论文文献综述）
姜煜[1]（2021）在《面向阿尔茨海默病的多模态影像数据融合分析方法》文中提出阿尔茨海默病（Alzheimer’s Disease,AD）是一种神经退行性疾病。轻度认知障碍（Mild Cognitive Impairment,MCI）是AD的早期阶段,该阶段患者呈现的病理信息并不明显,易被误认为是自然衰老,一旦病情恶化将难以逆转。因此,疾病的早期发现和治疗尤为重要。该疾病早期研究使用单模态数据进行分析,效果不理想。近年来,随着医学影像及计算机技术的发展,多模态数据及数据融合方法在神经影像领域获得了广泛关注。多模态神经影像数据常有较高的维度和复杂度,寻求高效的方法在复杂的数据集中提取有价值的特征是本文研究的重点。针对以往疾病诊断分类方法存在生物意义不足、误差较大及疾病诊断准确度不足等问题,本文将像素级融合、特征级融合和决策级融合三种图像数据融合技术的方法应用于阿尔茨海默病的分类。主要工作分为以下三点:（1）概述阿尔茨海默病的多模态影像数据的国内外研究现状以及主流的数据融合方法,并介绍阿尔茨海默病研究中常用的影像数据和数据来源,且由于脑影像数据独特的结构和原理,详细叙述其特定的预处理过程。（2）为验证相比于单模态数据,多模态数据具有可实现信息互补、误差较小等优点。将两种预处理过后的脑影像数据进行像素级数据融合,得到包含两种模态数据信息的新影像数据,将其与单模态数据提取各自的特征并分别输入分类器中,对比分类效果。此外,为了防止结果的偶然性,实验分别使用了三种特征提取方法和三个常用的分类器模型,对于多模态数据和单模态数据在相同的特征提取方法和分类器中取得的分类效果进行多次对比。实验结果进一步验证了多模态数据在AD诊断分类中的优越性。此外,分类器选择单分类器和集成分类器,在控制其他变量的情况下对比两者的分类效果,实验结果验证了基于决策级融合策略的集成分类器分类效果更优。（3）研究特征级数据融合技术在阿尔茨海默病分类中应用。特征级融合常用到的方法有典型相关分析（Canonical Correlation Analysis,CCA）。然而,现有的基于CCA的融合方法在将成像数据重构为向量时存在高维、多重共线性、单模态特征选择、不对称以及空间信息丢失等问题。本文使用了一种新的结构化稀疏典型相关分析（structured and sparse Canonical Correlation Analysis,ss CCA）技术来解决上述问题。设置三组实验,在其他条件相同的情况下使用不同的特征融合方法,验证ss CCA特征融合方法的应用效果。结果表明,该方法在本课题中表现良好。
刘志勇[2]（2021）在《基于深度学习的前列腺癌超声图像辅助诊断技术研究》文中研究表明前列腺癌是最为常见的恶性肿瘤之一,前列腺癌患者人数逐年上升,但很多患者难以得到及时的治疗。前列腺超声图像的计算机辅助诊断技术有助于前列腺癌的准确诊断与及时治疗。但是,前列腺超声图像存在边界不清晰、目标区域小且分辨率低、病灶区域形状和大小具有较大的差异等问题,使得基于超声图像的前列腺癌诊断效率相对较低,为了克服这些难题,本文提出基于深度学习的前列腺癌超声图像辅助诊断技术,辅助医生去筛选可疑的前列腺癌,能够明显提高前列腺癌的诊断准确率。本文重点研究基于深度学习的前列腺癌超声图像检测、诊断模型以及其高效的训练方法,主要工作如下:基于S-Mask R-CNN的前列腺超声图像分割技术研究。分割是前列腺超声图像数据增强中的一个关键步骤,能够将待分类的图像信息缩小到关键部分,消除过多无关信息干扰。利用改进的S-Mask R-CNN实现对前列腺超声图像的精确分割,利用感兴趣区域实现像素级特征点定位,通过卷积网络生成前列腺图像对应的二值掩膜,将前列腺区域与背景进行分割。然后,屏蔽背景信息,构建多组前列腺超声分割图像数据集,用于图像分类检测的Inception-V3网络中。实验结果表明,本文提出的算法在合理耗时的前提下,有良好的分割效果。基于Inception-V3的前列腺超声图像分类技术研究。在Inception-V3网络中,增加新的正向传播和反向传播组成的分类模块替代原网络的softmax。正向传播主要是将pool-3层以下的卷积层池化层提取的特征通过迁移学习策略转移到输入层,然后计算分类值和标签值之间的损失值来识别前列腺超声病变。实验结果表明,与各经典分类方法和人工诊断比较,本文方法更能够准确分类出前列腺超声图像的阴、阳性。基于改进的S-Mask R-CNN+Xception的前列腺癌超声图像标记分级研究。前列腺癌的Gleason分级为临床评估治疗方案提供了重要参考价值。但前列腺癌超声图像病理分级的研究很少,如何准确地描述其侵略性是一个热点问题。故本文提出一种基于深度学习的前列腺癌Gleason分级网络模型。该模型由病灶区域标记、图像增强、病理分级三个模块组成。具体地,该模型首先采用改进的S-Mask R-CNN网络模型对前列腺癌病灶区域进行标记,然后通过形态学图像处理和PCNN算法进行图像增强,最后利用Xception对前列腺超声图像进行病理分级。实验结果表明,本文Gleason分级模型的预测精确率高于其他经典分级模型和医生人工诊断,其预测精确率较人工诊断高出0.28。基于上述三个研究内容,本文构建了前列腺癌超声影像全流程智能辅助诊断技术,本文研究成果能够在像素级上准确检测前列腺癌超声图像的相关信息,与专业医生人工诊断和其他检测方法相比,本文方法具有更高的准确率。本文研究成果的应用将有效提升前列腺癌诊断工作的效率,促进前列腺癌超声图像诊断技术的发展。
张桢桢[3]（2021）在《基于自适应LASSO的食管鳞癌生存风险预测研究》文中研究说明食管癌是一种消化道恶性肿瘤疾病,其发病率和死亡率在我国的排名仅次于肺癌、肝癌和胃癌,与西方食管腺癌不同,食管鳞癌在我国比较常见。但由于个体的差异性,手术治疗并不总能很好地延长患者寿命。本文主要基于食管鳞癌患者的临床表型数据,准确预测食管鳞癌患者生存风险,为患者治疗方案的选取提供指导。主要研究内容如下:针对临床表型数据变量多且基于全变量建立的生存风险模型预测效果差的问题,提出了基于自适应最小绝对收缩和选择算子（Adaptive Least Absolute Shrinkage and Selection Operator,Ada LASSO）的食管鳞癌生存风险预测模型。采用卡方检验和信息熵筛选与TNM相关的病理检查指标,并构建早期癌和中晚期癌决策树分类器。采用Ada LASSO方法筛选与早期癌、中晚期癌生存相关的血液指标,利用逻辑回归（Logistic Regrsssion,LR）分析分别建立早期癌和中晚期癌的线性生存风险预测模型。所构建的风险预测模型能够有效预测食管鳞癌的五年生存状况,为患者的临床治疗提供指导意见。针对TNM模型与阳性淋巴结对数比（Log Odds of Positive Lymph Nodes,LODDS）模型风险预测准确率低的问题,提出了基于Ada LASSO和列线图的生存风险预测模型。首先采用单因素COX分析采用风险比筛选与生存率相关的病理检查指标,进一步采用Ada LASSO进一步优化重要变量。根据确定的重要变量,构建生存风险的概率预测模型,采用列线图方法图形化表示概率预测模型。与TNM和LODDS模型相比,所构建的模型大幅提高了风险预测准确率,为食管鳞癌预后分析提供了思路。针对线性风险预测模型预测准确率低的问题,提出了基于Ada LASSO-改进密度峰值聚类（Modify Density Peaks Clustering,MDPC）-反向传播（Back Prapagation,BP）神经网络的非线性生存风险预测模型。采用Ada LASSO筛选与生存显着相关的临床表型变量。考虑到患者之间存在个体差异,借助余弦距离改进DPC算法,实现了患者的有效聚类。基于不同类的患者,采用BP神经网络分别构建风险预测模型。实验结果表明,所构建模型的预测准确率比线性模型提高了5.2%,根据每个患者的检验报告和风险评估情况自动匹配簇类并为推荐相应的治疗方案提供参考。
胡串[4]（2021）在《基于注意力机制的多发性硬化病灶分割方法研究》文中提出脑科学的发展和人工智能相辅相成,脑科学与人工智能的交叉融合或将引发新的科技革命和产业革命,因此这两个领域得到了越来越多国家的重视。脑部医学影像分析是脑科学、医学和信息学的交叉,旨在快速高效准确地分析大量脑部医学影像数据,辅助专业医生进行脑部疾病的诊断与治疗,节约医生分析的时间和精力。近年来,随着以深度学习为代表的人工智能的第三次热潮的到来,基于神经网络的医学影像分析取得了巨大的成功,人工智能在脑部医学影像分析的应用已经成为了研究的热点领域之一。多发性硬化症（Multiple Sclerosis,MS）是一种由中枢神经系统损伤导致的自身免疫性疾病,常会对大脑白质、视神经、小脑等脑组织产生影响。磁共振成像（Magnetic Resonance Imaging,MRI）提供了足够的成像对比度来可视化和检测MS病变。基于MS病变各种特征的定量测量方法已被证明在临床试验中对评估治疗方法有用。因此,从MRI图像中准确地分割MS病变可以提供有关疾病状态和进展的重要信息。基于此,本研究从注意力机制、上下文信息引导、远处依赖关系等角度设计神经网络模型用于MS病灶的分割,通过对多模态磁共振影像数据多维度的分析,实现了MS病灶的自动准确分割,为医生定量分析MS病灶提供基础,从而辅助医生诊断和治疗MS。针对MS病变位置、大小、数量和形状等极具差异性的特点,本文首先从病灶上下文信息捕捉出发,设计了基于克罗内克卷积的三维上下文引导模块,整合不同视野的病灶信息。然后,引入了三维空间注意力模块,增强MRI图像中病灶特征的表示。针对MS病灶和非病灶样本存在不平衡的情况,设计了焦点损失函数,并采用深度监督机制,结合编码-解码结构,提出了用于MS病灶分割的注意力上下文U-Net。为了更进一步提取MRI图像中多维度的MS病灶信息,有效识别MS病灶的区域,本文又提出了跨维度的交叉注意力机制和多维特征相似性模块用于设计MS病灶分割网络。本文所设计的跨维度的交叉注意力模块巧妙地集成了基于克罗内克卷积的上下文信息的捕捉,空间和通道信息的交互与整合,三维体素信息和二维像素信息的聚集。同时,设计了多维度特征相似性模块,聚合多个维度的远程依赖信息。并结合提出的注意力上下文U-Net,提出了可以从多个维度、多个通道、多个视野捕捉MS病灶信息的多维交叉注意力U-Net。本文的实验证实,针对MS病灶的特点设计的上下文引导模块、跨维度的交叉注意力模块、多维特征相似性模块等都是有效的,提出的注意力上下文U-Net和多维交叉注意力U-Net在病灶分割的客观评价指标上具有较大的优势。本文的研究成果为MS病灶智能化分割提供了一种新的思路。
陈彦昆[5]（2021）在《输送机带边破损智能检测关键技术的研究》文中研究表明带式输送机作为我国现代化生产运输的重要工具之一,在煤矿、化工和码头港口等众多行业得到广泛使用。输送带是带式输送机的重要组成部分,在使用过程中常见的破损形式是纵向撕裂和带边破损。目前,对输送带表面故障的研究大多为纵向撕裂,对带边破损的研究不足,因此本文对带边破损的检测定位、特征提取和识别进行了研究。对输送机带边的破损情况进行实时可靠的检测,及时采取相应有效的预防修补措施,对延长输送带使用寿命,保障生产安全和提高经济效益等方面有着重大意义。本文针对输送机带边破损的检测定位问题,提出了一种基于光电传感器、智能相机和RFID等多传感器集成的输送机带边破损检测系统。该系统利用光电传感器实时检测输送机带边。当检测到破损时,光电传感器发出信号并触发智能相机进行图像采集工作,捕获破损异常点,通过智能相机的图像处理单元对带边破损图像进行处理。以输送带转动一周的时间作为检测单周期,通过RFID模块中RFID标签记录的初始响应时刻和最终响应时刻,结合检测到破损的时刻和输送机运行速度,可计算出破损点相对于位置固定的读写器的距离,从而实现破损点的定位。本文针对采集的输送带表面破损图像,分析图像特征,提出了一种基于图像处理技术的带边破损特征提取和识别方法。首先,本文对常用的去噪算法进行了实验比较,对原有去噪算法进行改进,得到适合本文的去噪叠加算法,该算法首先利用中值滤波对破损图像进行去噪处理,再通过形态学开运算去除图像中的孤立孔洞和平滑边缘毛刺,得到最终的去噪图像,并利用自动阈值分割算法将破损从背景中分割出来。其次,利用灰度共生矩阵计算得到输送带图像的4种特征值,提取带边破损的纹理特征,从而建立相应的特征向量,将所得特征向量作为BP神经网络的输入向量,采用动量BP法对神经网络进行了改进,判断破损的真伪性。最后,建立像素坐标系计算得出水平方向与竖直方向的最大宽度,对不同形状和不同光照亮度条件下对特征提取算法的影响进行实验分析。实验证明,本文所研究的去噪、分割算法与破损几何特征提取算法具有很好的适应性,达到较高的精度,能够有效分割出破损区域,检测出破损区域的几何形状特征。本文所研究的输送机带边破损检测关键技术,借助多传感器集成技术实现输送带运输过程中带边破损的检测定位、实时化监控。利用图像处理技术,可以让工作人员根据图像信息对破损程度进行诊断和评估,并对可能造成的后果作出及时的判断和修补措施,为工作人员提供可靠有效的决策信息,及时了解安全隐患,降低事故风险,提升安全生产效率。
杨健智[6]（2021）在《增强现实环境中前列腺粒子植入机器人的语音控制研究》文中提出放射性粒子植入治疗,是当前早期前列腺癌的主要治疗手段之一,具有靶向性好、手术风险小和副作用少等优点,但在实际临床治疗中,也存在着治疗效果不稳定、手术效率低下和医生劳动强度大等问题。虽然随着现代科技的快速发展,使用机器人完成前列腺粒子植入手术具备理论可能性,但在具体的技术实现过程中,依然有很多问题急需解决,如导航信息单一、可视化效果不直观、机器人控制复杂等。本文研究增强现实环境中前列腺粒子植入机器人的语音控制技术,利用了增强现实和语音控制技术,为前列腺粒子植入手术提供更加友好的可视化系统与控制系统,并利用语音控制技术统一手术机器人系统与增强现实系统的操作,为手术过程提供更加方便、自然的非接触式控制,力求提高手术过程的智能化、可视化和信息化程度。对前列腺MRI医学图像,进行图像去噪和图像分割处理,然后利用面绘制技术,实现前列腺及其周围器官组织的三维虚拟模型重建,分析增强现实系统中软硬件框架的架构方法,结合全息应用程序,搭建前列腺粒子植入手术的增强现实系统,为前列腺粒子植入手术提供可视化导航功能。对前列腺粒子植入的增强现实系统进行技术需求分析,结合该系统中各组成部分之间的坐标关系,确定三维注册技术的注册流程,研究SVD算法与ICP算法在实现三维注册时存在的优缺点,提出基于ICP改进的SVD三维注册算法,通过相关实验证明基于ICP改进的SVD三维注册算法可以有效提高三维注册精度,优化增强现实系统的可视化效果。架构增强现实环境中前列腺粒子植入机器人的语音控制系统,针对手术环境中的应用功能需求,确定语音控制方案及流程,在保证基于语音指令的机器人运动控制的同时,为医生提供与之对应的增强现实可视化信息,再对机器人用D-H法分析结构的坐标系组成,完成机器人运动学建模,获取语音控制系统所需要的机器人运动学基础信息,采用三维注册技术,优化语音控制系统中存在的非实时性问题,保证前列腺粒子植入的手术精度。结合医生的语音信号特性及手术环境,分析在前列腺粒子植入手术中产生的噪声类型,并进一步确定去噪评价标准与语音去噪流程,针对谱减法去噪和BP神经网络去噪各自存在的优缺点,提出基于谱减法与BP神经网络的融合算法,通过相关的实验结果证明,融合算法可以有效提高语音控制系统的可靠性,保证手术过程中的系统控制效果,且所构建的集成系统可以基本满足前列腺粒子植入手术的响应性要求。
王智岩[7]（2020）在《樽海鞘优化算法研究及在医学诊断中的应用》文中研究说明群智能优化方法在现实生活中发挥着越来越重要的作用。樽海鞘（SSA）优化算法是新近刚提出的一种算法,它是群智能优化算法的一种典型代表。它的主要原理是基于樽海鞘在寻找食物源时其链的运动和相互作用作为个体的运动规则进行个体位置更新而逐渐接近食物源。在众多实际应用问题中,SSA凭借本身参数少,性能优良及链中樽海鞘可以穿越多维特征空间、全方位瞄准食物,从而在一定程度上减少陷入局部最优的概率等特点,使其表现出良好的性能。然而,随着SSA的应用范围越来越广,其不足之处也逐渐暴露,特别是在解决医学诊断问题上,SSA的寻优能力还有待进一步改善。为了改善SSA在医学诊断问题上的优化能力,本研究主要针对SSA自身存在的缺点,引入了多种新机制,进一步提升SSA算法的寻优能力,使其在全局优化和局部优化能力之间找到较好的平衡。本文的主要工作包括以下几个方面:1、对樽海鞘优化算法研究现状和医学诊断的研究现状进行了阐述,同时总结分析了这些领域存在的问题,并指出了其发展趋势和所面临的问题。此外还对机器学习、特征选择和图像分割等问题进行了介绍,重点对本文涉及的模糊K近邻（FKNN）算法和SSA等相关理论和存在的问题及改进方向进行了探讨和分析。2、为了在医学诊断问题上取得更好的分类性能,针对SSA本身存在的问题,本文通过采用集成变异策略（CMS）来加强SSA的开发和探索能力,使之在并行执行集成变异策略的时候可以获得更优的收敛精度。同时利用重启机制（RS）帮助樽海鞘经历固定次数后其位置未得到改善而重新启动初始化策略以防止整个种群陷入局部最优状态。将提出的改进SSA方法用于优化FKNN模型,构建了性能最优的CMSRSSSA-FKNN预测模型。在乳腺癌、肝脏疾病、心脏病、糖尿病等问题上对该模型进行了验证,实验结果表明提出的模型跟其他多种机器学习方法相比,CMSRSSSA-FKNN模型在四种评估指标上都实现了较明显的提升。3、为了提升医学数据特征选择效果,本文在SSA中引入准反向学习策略和高斯骨架机制,提出一种基于准反向学习和骨架机制的樽海鞘算法（QBSSA）。无论是在标准测试集上还是在实际医学数据特征选择问题上都表现出了更佳的效果。在CEC2017竞赛数据集上通过与10种改进的群智能算法进行对比,结果表明提出的QBSSA在解的质量和收敛性方面都具有更好的结果。在乳腺癌、淋巴造影等疾病的关键致病特征选择上,QBSSA方法在三个不同的维度（适应度、误差值、特征数目）上明显优于其他五种对比算法。4、为了提升医学图像分割的效果,本文在原始SSA中引入了分形搜索机制和高斯骨架机制,提出一种基于骨架分形机制的SSA算法（GBSFSSSA）,并通过非局部均值和Kapur熵来搜寻多阈值图像分割中的最佳阈值。在红斑狼疮肾病理图像分割问题上取得了较好的效果。实验中本文提出的GBSFSSSA与五种其他算法进行了对比分析,结果表明本文提出的GBSFSSSA在三个不同维度（PSNR、SSIM和FSIM）上总体性能都要优于其他对比算法,可以有效地对肾病理图像进行分割。
秦德浩[8]（2020）在《基于多模态数据深度学习的AD诊断模型研究》文中进行了进一步梳理阿尔兹海默症（AD,Alzheimer Disease）是一种典型的进行性发展的致死性神经退行性疾病。轻度认知障碍（MCI,Mild Cognitive Impairment）是AD的早期阶段,由于患者早期呈现的病理信息并不明显,很容易被误认为是自然衰老,随着病情的恶化将更难以采取有效的治疗措施。因此,早期的发现和治疗尤为重要。由于受到医疗条件的限制,早期依靠单模态数据进行分析,诊断效果并不理想。近年来,随着医学影像及计算机技术的发展,多模态数据及深度学习方法在该领域获得了广泛关注。多模态脑影像数据通常具有较高的维度和复杂度,寻找一种高效的方法在复杂的数据集中提取有价值的特征和提高诊断效率是本文研究的重点。课题从深度学习的角度,对脑影像多模态数据进行有效处理,以期达到计算机辅助AD诊断目的。主要工作如下:（1）脑影像数据预处理。考虑到原影像数据在采集过程中会有人为晃动,不同被试个体脑区形状和大小等都存在差异。为了提高图像的质量和信噪比,对原影像数据进行必要的预处理。利用VBM软件对结构核磁共振成像（s MRI,structural Magnetic Resonance Imaging）数据进行空间标准化、图像分割、调制和平滑处理;对正电子发射型计算机断层成像（PET,Positron Emission Tomography）数据进行头部矫正、配准、归一化、标准化和平滑等,为后期的特征提取奠定基础。（2）多模态数据特征提取。为发挥多模太数据特征在AD诊断中作用,论文从三方面完成脑影像数据特征提取。通过自动解剖标记（AAL,Anatomical Automatic Labeling）对图像进行全脑的特征提取;基于显着性分析方法,获取差异性较大的脑区特征;基于三维稀疏自编码器的对感兴趣区域（ROI,Regions Of Interest）提取有效特征。（3）诊断模型构建与实验。鉴于深度学习在图像分析领域巨大成功,论文对三维稀疏自编码器及卷积神经网络进行了深入研究,提出了基于三维稀疏自编码器的卷积神经网络AD诊断模型。开展了相关对比实验,结果表明了提出的模型有较好诊断效果;另一方面,也验证了多模态数据效果优于单模态数据。
吴明珠,陈瑛,李兴民[9]（2020）在《利用Stein-Weiss解析函数结合反向传播神经网络进行血管分割》文中研究说明针对传统反向传播（BP）神经网络对血管进行分割存在耗时长且识别率不高的问题,本研究提出一种新的基于Stein-Weiss解析函数的BP神经网络算法用于血管分割。首先为每个体素构建一个Stein-Weiss函数,然后根据SteinWeiss解析函数的解析性,计算出相应体素的16个特征值,将这些特征值输入到BP神经网络的输入层,采用BP神经网络的自学习能力对这些数据进行分类学习,最后通过BP神经网络的泛化能力来获取血管边缘。对肝脏血管分割的实验结果表明,相对于传统的BP神经网络分割算法,该算法提取的函数血管边缘识别率高、细节丰富,分割效率也明显提高。
王宇彤[10]（2020）在《太赫兹同轴数字全息图像的抗噪声分割算法研究》文中研究指明太赫兹光波由于其穿透性强,生物无损性高等优点,被大量应用于生活的各个方面。太赫兹数字全息成像是太赫兹光成像的重要组成部分,但是由于存在探测器灵敏度不够等问题,导致太赫兹图像易被噪声污染。并且由于太赫兹成像物体较小,成像质量也会受到严重影响。因此,寻找到一种针对太赫兹图像的抗噪声分割算法至关重要。本论文针对2.52太赫兹同轴数字全息再现像,采用了3种分割算法,分别是区域生长,均值聚类和神经网络算法。为了能够增强现有算法的抗噪声能力,对以上算法分别进行优化,以达到较优的太赫兹图像分割效果。在区域生长分割算法的部分采用进化算法优化太赫兹图像分割。首先利用双边滤波算法对原始图像进行预处理,然后为改善区域生长算法需要人为选择种子区域及生长准则的缺点,采用形态学腐蚀自动获取种子区域,分别采用遗传算法和差分算法两种进化算法对生长准则中的阈值进行优化,提高算法的自适应能力。最后将两种进化算法在收敛速度和分割效果上进行比较,得到较适合优化区域生长的进化算法。对于均值聚类分割算法研究部分,分别利用K-均值聚类算法和模糊C均值聚类算法对太赫兹图像提取的一维数据和二维数据进行分割,比较两个算法在分割效果上的差异。为降低均值聚类算法对噪声的敏感性,采用了空间约束的模糊C均值聚类算法,观察分割太赫兹图像的效果改善情况。其次为了降低过分割效应,将空间位置信息引入到空间约束的模糊C均值聚类的目标函数中,减少了分割结果的过分割像素数,增强了聚类算法对于噪声的筛选性。最后在神经网络分割部分,采用BP神经网络对太赫兹图像进行分割。通过改变神经网络训练样本的输入图像所加噪声方差的大小来减少分割结果的噪声残留。并分别通过调节学习速率,改变训练方法来减少神经网络的训练时间,最终得到了较为适合太赫兹图像的神经网络结构。
二、基于BP神经网络的MRI分割（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、基于BP神经网络的MRI分割（论文提纲范文）
（1）面向阿尔茨海默病的多模态影像数据融合分析方法（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语简表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多模态数据在阿尔茨海默病的应用 |
| 1.2.2 数据融合方法在阿尔茨海默病的应用 |
| 1.3 本文主要研究内容和组织结构 |
| 第二章 基础理论及技术 |
| 2.1 医学成像技术原理 |
| 2.1.1 核磁共振成像 |
| 2.1.2 正电子发射断层扫描成像 |
| 2.2 分类器模型 |
| 2.2.1 支持向量机 |
| 2.2.2 BP神经网络 |
| 2.2.3 XGBoost集成分类器 |
| 2.3 模型性能评价指标 |
| 2.4 本章小结 |
| 第三章 基于像素级融合的AD分类模型 |
| 3.1 实验数据 |
| 3.1.1 ADNI数据集 |
| 3.1.2 入组被试信息 |
| 3.2 数据预处理 |
| 3.2.1 sMRI数据的预处理 |
| 3.2.2 PET数据的预处理 |
| 3.3 PET和 sMRI数据像素级融合 |
| 3.4 影像数据的特征提取 |
| 3.4.1 基于自动解剖标记的特征提取 |
| 3.4.2 基于显着性分析的特征提取 |
| 3.4.3 基于三维稀疏自编码器的特征提取 |
| 3.5 实验结果分析 |
| 3.5.1 不同特征提取方法的对比 |
| 3.5.2 单模态数据与多模态数据的对比 |
| 3.5.3 不同分类器模型的对比 |
| 3.6 本章小结 |
| 第四章 多模态数据特征级融合方法 |
| 4.1 基于典型相关分析的融合方法 |
| 4.1.1 算法原理 |
| 4.1.2 算法流程 |
| 4.1.3 实验结果 |
| 4.2 基于核典型相关分析的融合方法 |
| 4.2.1 算法原理 |
| 4.2.2 算法流程 |
| 4.2.3 实验结果 |
| 4.3 基于结构化稀疏典型相关分析的融合方法 |
| 4.3.1 算法原理 |
| 4.3.2 算法流程 |
| 4.3.3 实验结果 |
| 4.4 三种特征融合方法对比 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（2）基于深度学习的前列腺癌超声图像辅助诊断技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 医学影像处理深度学习模型 |
| 1.3.1 医学影像分割 |
| 1.3.2 医学影像分类 |
| 1.3.3 医学影像分级 |
| 1.3.4 前列腺癌医学影像分析 |
| 1.4 论文组织结构 |
| 2 相关理论基础 |
| 2.1 深度学习基本思想 |
| 2.1.1 深度网络 |
| 2.1.2 感知机 |
| 2.1.3 BP算法 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络的基本结构 |
| 2.2.2 局部感受野与池化 |
| 2.2.3 卷积和权值共享 |
| 2.3 网络模型参数 |
| 2.3.1 激活函数 |
| 2.3.2 Keras框架 |
| 2.3.3 最优化方法 |
| 2.4 本章小结 |
| 3 基于S-Mask R-CNN的前列腺超声图像分割框架 |
| 3.1 Sobel卷积层 |
| 3.2 RPN网络 |
| 3.3 ROIAlign层 |
| 3.4 损失函数 |
| 3.5 全卷积网络 |
| 3.6 实验分析 |
| 3.6.1 实验环境 |
| 3.6.2 实验数据 |
| 3.6.3 实验流程与方法 |
| 3.6.4 评价方法 |
| 3.6.5 实验结果 |
| 3.7 本章小结 |
| 4 基于Inception-V3 的前列腺超声图像分类框架 |
| 4.1 Inception模块 |
| 4.2 交叉熵代价函数 |
| 4.3 Dropout |
| 4.4 网络模型训练 |
| 4.5 实验分析 |
| 4.5.1 实验环境 |
| 4.5.2 实验数据 |
| 4.5.3 实验流程与方法 |
| 4.5.4 评价方法 |
| 4.5.5 分类结果混淆矩阵如 |
| 4.5.6 图像分类实验结果分析 |
| 4.6 本章小结 |
| 5 前列腺癌超声图像标记分级框架 |
| 5.1 图像病灶标记网络整体框架 |
| 5.2 CFPN(Conjunctional Feature Pyramid Network)模块 |
| 5.3 图像增强方法 |
| 5.3.1 图像增强步骤 |
| 5.3.2 形态学图像增强 |
| 5.3.3 脉冲耦合神经网络 |
| 5.4 图像病理分级 |
| 5.4.1 Xception |
| 5.4.2 激活函数选择 |
| 5.4.3 正则化优化 |
| 5.5 图像标记分级实验 |
| 5.5.1 实验环境 |
| 5.5.2 实验数据 |
| 5.5.3 实验流程与方法 |
| 5.5.4 评价方法 |
| 5.5.5 图像标记分级实验结果 |
| 5.6 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 致谢 |
| 附录 中英文略缩词对照 |
| 攻读硕士学位期间的主要研究成果 |
| 学位论文数据集 |
（3）基于自适应LASSO的食管鳞癌生存风险预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 食管癌风险预测模型 |
| 1.2.2 基于特征选择的癌症风险预测模型 |
| 1.2.3 基于聚类算法的癌症数据分类 |
| 1.2.4 基于人工神经网络的癌症风险预测模型 |
| 1.3 生存风险预测模型预备知识 |
| 1.3.1 特征选择算法 |
| 1.3.2 生存风险预测模型 |
| 1.4 本文的主要内容及创新点 |
| 1.4.1 主要内容 |
| 1.4.2 创新点 |
| 第二章 基于自适应 LASSO 的线性生存风险预测模型 |
| 2.1 卡方检验和信息熵 |
| 2.1.1 卡方检验 |
| 2.1.2 信息熵 |
| 2.2 Ada LASSO和 MDPC算法 |
| 2.2.1 Ada LASSO算法 |
| 2.2.2 MDPC算法 |
| 2.3 线性风险预测模型 |
| 2.3.1 决策树分类器 |
| 2.3.2 早期线性预测模型 |
| 2.3.3 中晚期线性预测模型 |
| 2.4 实验结果与分析 |
| 2.4.1 数据来源 |
| 2.4.2 模型评估 |
| 2.5 小结 |
| 第三章 基于单因素 COX 和自适应 LASSO 的列线图模型 |
| 3.1 COX回归分析和列线图 |
| 3.1.1 COX回归分析 |
| 3.1.2 列线图 |
| 3.2 列线图模型 |
| 3.2.1 特征选择 |
| 3.2.2 模型建立 |
| 3.3 实验结果与分析 |
| 3.3.1 数据来源 |
| 3.3.2 模型评估 |
| 3.4 小结 |
| 第四章 基于自适应 LASSO 和 MDPC 的 BP 神经网络模型 |
| 4.1 相关性分析 |
| 4.2 风险预测模型 |
| 4.2.1 特征选择 |
| 4.2.2 模型建立 |
| 4.3 实验结果与分析 |
| 4.3.1 数据来源 |
| 4.3.2 模型评估 |
| 4.4 小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间发表的相关成果 |
| 附录2 攻读硕士学位期间参与的相关课题 |
| 致谢 |
（4）基于注意力机制的多发性硬化病灶分割方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究内容和创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 创新点 |
| 1.4 论文组织结构 |
| 第二章 医学影像分割的相关技术 |
| 2.1 大脑组织结构与MRI数据处理方法 |
| 2.1.1 大脑组织结构 |
| 2.1.2 MRI数据预处理 |
| 2.2 深度神经网络 |
| 2.2.1 深度神经网络发展历程 |
| 2.2.2 BP神经网络 |
| 2.3 卷积神经网络 |
| 2.3.1 卷积层和池化层 |
| 2.3.2 激活函数层和批量归一化层 |
| 2.3.3 初始化方法和优化器 |
| 2.3.4 过拟合 |
| 2.3.5 深度学习框架 |
| 2.4 全卷积神经网络 |
| 2.4.1 FCN网络 |
| 2.4.2 U-Net网络 |
| 2.4.3 3D U-Net网络 |
| 2.5 评估验证方法 |
| 2.6 本章方法小结 |
| 第三章 基于注意力上下文U-Net的多发性硬化病灶分割 |
| 3.1 引言 |
| 3.2 注意力上下文U-Net |
| 3.2.1 三维上下文引导模块 |
| 3.2.2 三维空间注意力模块 |
| 3.2.3 损失函数设计 |
| 3.2.4 上下文注意力U-Net |
| 3.3 实验结果与讨论 |
| 3.3.1 数据集介绍 |
| 3.3.2 实验细节 |
| 3.3.3 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于多维交叉注意力U-Net的多发性硬化病灶分割 |
| 4.1 引言 |
| 4.2 多维交叉注意力U-Net |
| 4.2.1 注意力模型 |
| 4.2.2 跨维度的注意力机制 |
| 4.2.3 多维特征相似性模块 |
| 4.2.4 多维交叉注意力U-Net |
| 4.3 实验结果与讨论 |
| 4.3.1 实验细节 |
| 4.3.2 实验结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文工作总结 |
| 5.2 下一步工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（5）输送机带边破损智能检测关键技术的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要内容 |
| 1.4 论文结构安排 |
| 第2章 输送机带边破损检测系统原理与构成 |
| 2.1 光电传感器 |
| 2.2 智能相机 |
| 2.3 无线射频技术 |
| 2.4 输送机带边破损检测系统的整体设计 |
| 第3章 输送带图像去噪与分割算法的研究 |
| 3.1 输送带图像的预处理 |
| 3.1.1 输送带图像的滤波算法 |
| 3.1.2 实验及结果分析 |
| 3.2 输送带图像的分割算法 |
| 3.2.1 图像分割算法 |
| 3.2.2 破损图像分割算法 |
| 3.2.3 实验及结果分析 |
| 第4章 输送带图像带边破损识别的研究 |
| 4.1 灰度共生矩阵 |
| 4.1.1 灰度共生矩阵的概述 |
| 4.1.2 基于灰度共生矩阵的特征统计量 |
| 4.2 BP神经网络 |
| 4.2.1 BP神经网络的结构 |
| 4.2.2 BP神经网络算法 |
| 4.3 基于BP神经网络的带边破损识别 |
| 4.3.1 基于灰度共生矩阵的输送带图像纹理特征提取 |
| 4.3.2 BP神经网络带边破损识别建模 |
| 4.3.3 BP神经网络算法的改进 |
| 4.3.4 BP神经网络训练与测试实验 |
| 第5章 输送带图像破损的几何特征提取 |
| 5.1 破损的几何特征提取 |
| 5.2 几何特征参数实验及结果分析 |
| 5.2.1 不同破损形状的几何特征提取实验 |
| 5.2.2 不同光照亮度的几何特征提取实验 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（6）增强现实环境中前列腺粒子植入机器人的语音控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 课题研究的背景和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 前列腺介入机器人国内外研究现状 |
| 1.3.2 增强现实技术国内外研究现状 |
| 1.3.3 语音控制机器人国内外研究现状 |
| 1.4 本文研究的主要内容 |
| 第2章 前列腺粒子植入的增强现实系统 |
| 2.1 前列腺医学图像处理 |
| 2.1.1 医学图像去噪 |
| 2.1.2 医学图像分割 |
| 2.1.3 三维虚拟模型重建 |
| 2.2 前列腺粒子植入的增强现实系统架构 |
| 2.2.1 增强现实的硬件系统架构 |
| 2.2.2 增强现实的软件系统架构 |
| 2.3 前列腺粒子植入的增强现实场景构建 |
| 2.3.1 增强现实系统全息应用基础 |
| 2.3.2 增强现实场景开发 |
| 2.4 本章小结 |
| 第3章 增强现实的三维注册技术研究 |
| 3.1 增强现实系统的三维注册技术分析 |
| 3.1.1 增强现实系统的坐标关系转换 |
| 3.1.2 增强现实系统的三维注册流程 |
| 3.1.3 双目成像模型与标定矫正 |
| 3.2 三维注册算法研究 |
| 3.2.1 基于SVD的三维注册 |
| 3.2.2 基于ICP的三维注册 |
| 3.2.3 基于ICP改进的SVD三维注册 |
| 3.3 三维注册实验 |
| 3.3.1 三维注册算法精度实验 |
| 3.3.2 三维注册算法实时性实验 |
| 3.3.3 三维注册模型实验 |
| 3.4 本章小结 |
| 第4章 前列腺粒子植入的语音控制系统 |
| 4.1 前列腺粒子植入的语音控制系统架构 |
| 4.1.1 前列腺粒子植入机器人的语音控制系统 |
| 4.1.2 增强现实系统的语音控制 |
| 4.1.3 整体语音控制方案及流程 |
| 4.2 前列腺粒子植入机器人运动学建模 |
| 4.2.1 机器人坐标系分析 |
| 4.2.2 前列腺粒子植入机器人正运动学分析 |
| 4.2.3 前列腺粒子植入机器人逆运动学分析 |
| 4.3 基于三维注册算法的语音控制系统优化 |
| 4.3.1 语音控制下机器人运动规划问题 |
| 4.3.2 基于三维注册算法的语音控制指令优化 |
| 4.4 本章小结 |
| 第5章 语音控制的去噪技术研究 |
| 5.1 语音去噪基础 |
| 5.1.1 语音信号特性 |
| 5.1.2 噪声构成及去噪评价标准 |
| 5.2 前列腺粒子植入的语音控制指令去噪研究 |
| 5.2.1 语音信号预处理 |
| 5.2.2 基于谱减法的语音去噪 |
| 5.2.3 基于BP神经网络的语音去噪 |
| 5.2.4 基于融合算法的语音去噪 |
| 5.3 前列腺粒子植入语音控制系统的相关实验 |
| 5.3.1 前列腺粒子植入语音信噪比实验 |
| 5.3.2 语音去噪算法波形图实验 |
| 5.3.3 前列腺粒子植入语音的去噪延时性实验 |
| 5.3.4 语音识别度实验 |
| 5.3.5 集成系统响应速度实验 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术成果 |
| 致谢 |
（7）樽海鞘优化算法研究及在医学诊断中的应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及评述 |
| 1.2.1 樽海鞘算法研究现状 |
| 1.2.2 医学诊断和分割应用现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关知识介绍 |
| 2.1 特征选择 |
| 2.2 图像分割 |
| 2.3 模糊K近邻算法 |
| 2.4 樽海鞘算法 |
| 2.4.1 樽海鞘群算法的基本原理 |
| 2.4.2 算法一般流程 |
| 第3章 基于重启机制的集成变异樽海鞘群算法及其应用 |
| 3.1 引言 |
| 3.2 基础知识 |
| 3.2.1 集成变异策略 |
| 3.2.2 重启机制 |
| 3.3 基于重启与集成变异的樽海鞘算法(CMSRSSSA) |
| 3.4 基于CMSRSSSA优化模糊K近邻的疾病诊断模型 |
| 3.5 实验研究 |
| 3.5.1 函数优化实验 |
| 3.5.2 疾病诊断实验 |
| 3.6 本章小结 |
| 第4章 基于准反向骨架机制的樽海鞘算法及其应用 |
| 4.1 引言 |
| 4.2 基础知识 |
| 4.2.1 准反向学习策略(QOBL) |
| 4.2.2 自适应骨架策略(BB) |
| 4.3 QBSSA方法 |
| 4.4 基于二进制QBSSA的特征选择方法 |
| 4.5 实验研究 |
| 4.5.1 函数优化实验 |
| 4.5.2 特征选择实验 |
| 4.6 本章小结 |
| 第5章 基于骨架随机分形搜索机制的樽海鞘群算法及其应用 |
| 5.1 引言 |
| 5.2 基础知识 |
| 5.2.1 随机分形搜索机制(SFS) |
| 5.2.2 GBSFSSSA方法 |
| 5.3 实验结果和讨论 |
| 5.3.1 实验:CEC2017竞赛数据集函数测试 |
| 5.3.1.1 与常规算法的比较 |
| 5.3.1.2 与改进算法的比较 |
| 5.3.2 GBSFSSSA方法在肾病理图像分割中的应用 |
| 5.3.2.1 多阈值图像分割 |
| 5.3.2.2 二维直方图的非局部均值和Kapur熵 |
| 5.3.2.3 图像分割的评估指标 |
| 5.3.2.4 实验设置 |
| 5.3.2.5 实验结果 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文内容总结 |
| 6.2 未来工作 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（8）基于多模态数据深度学习的AD诊断模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略语简表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多模态影像数据在AD诊断中的应用 |
| 1.2.2 深度学习方法在AD诊断中的应用 |
| 1.3 本文主要研究内容 |
| 1.4 本文的组织结构 |
| 1.5 本章小结 |
| 第二章 课题研究基础理论 |
| 2.1 医学成像技术原理 |
| 2.1.1 结构磁共振成像 |
| 2.1.2 正电子发射断层扫描成像 |
| 2.2 基于医学影像的疾病诊断流程 |
| 2.3 性能评价指标 |
| 2.4 典型的诊断方法 |
| 2.4.1 朴素贝叶斯 |
| 2.4.2 支持向量机 |
| 2.4.3 BP神经网络 |
| 2.5 本章小结 |
| 第三章 多模态脑影像数据预处理和特征提取 |
| 3.1 实验数据 |
| 3.1.1 ADNI数据集 |
| 3.1.2 入组被试信息 |
| 3.2 数据预处理 |
| 3.2.1 sMRI数据的预处理 |
| 3.2.2 PET数据的预处理 |
| 3.2.3 PET和 sMRI数据融合 |
| 3.3 影像数据的特征提取 |
| 3.3.1 基于自动解剖标记的特征提取 |
| 3.3.2 基于显着性分析的特征提取 |
| 3.3.3 基于三维稀疏自编码器的特征提取 |
| 3.4 本章小结 |
| 第四章 基于深度学习的AD诊断模型构建 |
| 4.1 基于三维稀疏自编码器的卷积神经网络模型构建 |
| 4.1.1 三维稀疏自编码器 |
| 4.1.2 三维卷积神经网络 |
| 4.1.3 三维稀疏自编码器的卷积神经网络模型 |
| 4.2 实验环境 |
| 4.3 实验结果分析 |
| 4.3.1 不同特征提取方法的对比 |
| 4.3.2 单模态数据与多模态数据的对比 |
| 4.3.3 不同诊断模型的对比 |
| 4.4 性能评价 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简历 在读期间发表及研究成果 |
| 致谢 |
（9）利用Stein-Weiss解析函数结合反向传播神经网络进行血管分割（论文提纲范文）
| 前言 |
| 1 BP神经网络 |
| 1.1 模式顺传播过程 |
| 1.2 误差BP过程 |
| 1.3 记忆训练 |
| 1.4 学习收敛 |
| 2 Stein-Weiss解析函数 |
| 3 基于Stein-Weiss解析性的BP神经网络算法 |
| 3.1 定义体素的Stein-Weiss函数 |
| 3.2 向量函数的差分式 |
| 3.3 提取特征值 |
| 3.4 获取训练样本 |
| 3.5 记忆训练 |
| 3.6 学习收敛 |
| 4 实验结果与分析 |
| 5 结语 |
（10）太赫兹同轴数字全息图像的抗噪声分割算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国外图像分割算法的研究现状 |
| 1.2.1 基于区域生长的图像分割算法 |
| 1.2.2 基于均值聚类算法的图像分割算法 |
| 1.2.3 基于神经网络的图像分割算法 |
| 1.2.4 针对太赫兹图像的分割算法 |
| 1.3 国内图像分割算法的研究现状 |
| 1.3.1 基于区域生长的图像分割算法 |
| 1.3.2 基于均值聚类图像分割算法 |
| 1.3.3 基于神经网络的图像分割算法 |
| 1.3.4 针对太赫兹图像的分割算法 |
| 1.3.5 太赫兹全息再现图像特点小结 |
| 1.4 国内外分割算法综述 |
| 1.5 本文的主要研究内容 |
| 第2章 进化算法优化区域生长的太赫兹图像分割算法 |
| 2.1 进化算法优化区域生长算法的原理 |
| 2.1.1 预处理及种子获取原理 |
| 2.1.2 区域生长算法原理 |
| 2.1.3 进化算法原理 |
| 2.1.4 图像分割效果的客观评价指标 |
| 2.2 遗传算法优化区域生长的太赫兹图像分割研究 |
| 2.2.1 复合算法思路及实现 |
| 2.2.2 图像预处理与形态学腐蚀参数优化 |
| 2.2.3 遗传算法优化研究 |
| 2.3 差分算法优化区域生长的太赫兹图像分割研究 |
| 2.4 两种进化算法优化的区域生长分割结果比较 |
| 2.4.1 太赫兹全息再现像的分割效果比较 |
| 2.4.2 可见光图像的分割效果比较 |
| 2.5 本章小结 |
| 第3章 结合空间信息的太赫兹图像聚类分割算法研究 |
| 3.1 均值聚类算法原理简介 |
| 3.1.1 K均值聚类算法原理 |
| 3.1.2 模糊C均值聚类算法原理 |
| 3.1.3 结合空间信息约束的模糊C均值聚类算法原理 |
| 3.2 K均值聚类算法分割太赫兹图像 |
| 3.3 模糊C均值聚类算法分割太赫兹图像 |
| 3.4 FCM-S算法太赫兹图像分割 |
| 3.5 复合的FCM-S算法太赫兹图像分割研究 |
| 3.5.1 复合算法思路 |
| 3.5.2 复合的FCM-S算法对太赫兹图像的分割结果 |
| 3.6 本章小结 |
| 第4章 基于BP神经网络的太赫兹图像分割算法研究 |
| 4.1 BP神经网络的原理 |
| 4.1.1 经典梯度下降法神经网络原理 |
| 4.1.2 优化的神经网络原理 |
| 4.2 算法思路及实现 |
| 4.3 BP神经网络训练样本研究及太赫兹图像分割 |
| 4.4 针对太赫兹图像分割的BP神经网络的速度和性能的优化 |
| 4.4.1 针对太赫兹图像分割的神经网络学习速率的优化 |
| 4.4.2 引入动量法对太赫兹图像分割效果的影响 |
| 4.4.3 神经网络分割太赫兹图像中两种训练算法的比较 |
| 4.5 预处理后的BP神经网络太赫兹图像的分割结果 |
| 4.6 本论文抗噪声分割算法比较总结 |
| 4.7 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 |
| 致谢 |
四、基于BP神经网络的MRI分割（论文参考文献）
- [1]面向阿尔茨海默病的多模态影像数据融合分析方法[D]. 姜煜. 华东交通大学, 2021(01)
- [2]基于深度学习的前列腺癌超声图像辅助诊断技术研究[D]. 刘志勇. 广东技术师范大学, 2021(11)
- [3]基于自适应LASSO的食管鳞癌生存风险预测研究[D]. 张桢桢. 郑州轻工业大学, 2021(07)
- [4]基于注意力机制的多发性硬化病灶分割方法研究[D]. 胡串. 北京邮电大学, 2021(01)
- [5]输送机带边破损智能检测关键技术的研究[D]. 陈彦昆. 上海师范大学, 2021(07)
- [6]增强现实环境中前列腺粒子植入机器人的语音控制研究[D]. 杨健智. 哈尔滨理工大学, 2021(09)
- [7]樽海鞘优化算法研究及在医学诊断中的应用[D]. 王智岩. 吉林大学, 2020(03)
- [8]基于多模态数据深度学习的AD诊断模型研究[D]. 秦德浩. 华东交通大学, 2020(05)
- [9]利用Stein-Weiss解析函数结合反向传播神经网络进行血管分割[J]. 吴明珠,陈瑛,李兴民. 中国医学物理学杂志, 2020(06)
- [10]太赫兹同轴数字全息图像的抗噪声分割算法研究[D]. 王宇彤. 哈尔滨工业大学, 2020(02)