全文总字数：1689字

1. 研究目的与意义及国内外研究现状

cnn是一个复杂的机器学习算法，在语言和图像识别方面取得的效果，远远超过先前相关技术。它在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其它相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。将cnn模型应用到脑mr图像分割中，有利于脑肿瘤的研究，研究mr图像分割与配准。主要研究人脑图像分析的两个方向：脑皮质层的分割与表示、脑肿瘤分割。

国内外研究现状

近年来脑图像分割已经取得了巨大的科研成果，尤其是计算机的在医学上得以应用后，大大降低了脑核磁共振图像分割的难度。目前核磁共振已经成为脑部诊断与治疗最有效最常用的医学成像方式，核磁共振具有成像参数多、扫描速度快、组织分辨率高和图像更清晰等优点，可帮助医生“看见”不易察觉的早期病变，目前已经成为肿瘤、心脏病及脑血管疾病早期筛查的利器。

医学图像处理技术为医学临床诊断辅助诊疗工具的实现提供了有力的帮助，特别是在神经系统科学中，核磁共振成像在大脑结构识别和医学图像量化分析中起到尤为重要的作用，它可以辅助手术计划制定和术后评估，进行大脑异常检测，脑功能图谱绘制，大脑发展研究，神经解剖分析。所以脑部核磁共振图像分割成为目前医学图像分析处理的一个重要研究领域。但由于成像设备和外界因素的影响，核磁共振图像固有的偏移场和噪声使得脑部核磁共振图像的分割同时成为了当前医学图像分析的一个经典难题。

2. 研究的基本内容

基于CNN（深度卷积神经网络）的脑MR图像分割方法研究1）理解CNN模型2）熟悉CNN模型代码3）将CNN模型应用到脑MR图像分割中

3. 实施方案、进度安排及预期效果

一、准备阶段

1.2016年12月10日至2017年1月8日，查阅收集文献资料，确定论题，准备开题报告。

2.2017年1月9日至2017年2月20日，进一步修正研究研究目标、内容和方法，完成开题报告。

4. 参考文献

1 r. socher, e. h. huang, and a. y. ng. dynamic pooling and unfolding recursive autoencoders for paraphrase detection. in advances in nips, 201

2 邓兴升，王新洲. 动态神经网络在变形预报中的应用[j].3ranzato m, boureau y l, lecun y. sparse feature learning for deep belief networks[c]//proceedings of advances in neural information processing systems (nips). cambridge, ma, 2007.

3 刘 丽 ，匡纲要 ．图像纹理 特征提取 方法综述 ．中 国图象图形学报 ，2009；14(4)：622—635。