生物医学图像组织统计分类研究
| 声明 | 第1页 |
| 关于论文使用授权的说明 | 第5-6页 |
| 摘 要 | 第6-7页 |
| 英文摘要 | 第7-12页 |
| 第一章 绪论 | 第12-23页 |
| ·医学成像技术发展概况 | 第12-13页 |
| ·生物成像技术发展概况 | 第13-15页 |
| ·中国数字人计划 | 第15-18页 |
| ·生物医学图像特点 | 第18-20页 |
| ·三维生物医学图像的可视化 | 第20-22页 |
| ·本文章节安排 | 第22-23页 |
| 第二章 生物医学图像分割方法 | 第23-41页 |
| ·引言 | 第23-25页 |
| ·统计分类方法 | 第25-27页 |
| ·无监督聚类 | 第25-26页 |
| ·参数统计分类 | 第26-27页 |
| ·非参数统计分类 | 第27页 |
| ·区域分割方法 | 第27-30页 |
| ·分水岭法 | 第27-28页 |
| ·区域增长法 | 第28-29页 |
| ·模糊连通法 | 第29-30页 |
| ·变形模型分割方法 | 第30-34页 |
| ·参数变形模型 | 第30-31页 |
| ·几何变形模型 | 第31-33页 |
| ·测地主动轮廓线法 | 第33-34页 |
| ·其他分割方法 | 第34-39页 |
| ·随机场 | 第34-35页 |
| ·统计形状模型 | 第35-36页 |
| ·基于图谱配准的分割 | 第36-37页 |
| ·局部特征分割 | 第37-38页 |
| ·混合分割 | 第38-39页 |
| ·非线性滤波 | 第39-40页 |
| ·小结 | 第40-41页 |
| 第三章 基于加权距离矩阵的神经微束分类 | 第41-53页 |
| ·研究背景 | 第41-42页 |
| ·图像预处理方法 | 第42-44页 |
| ·Otsu 二值化 | 第42-43页 |
| ·连通成分标记 | 第43-44页 |
| ·聚类算法 | 第44-48页 |
| ·K-均值聚类 | 第44-45页 |
| ·层次聚类 | 第45-48页 |
| ·神经微束分类实验 | 第48-52页 |
| ·实验数据 | 第48-49页 |
| ·实验步骤 | 第49-50页 |
| ·实验结果 | 第50-52页 |
| ·总结与讨论 | 第52-53页 |
| 第四章 基于最大强度投影和混合模型的血管提取 | 第53-64页 |
| ·研究背景 | 第53-54页 |
| ·血管提取方法 | 第54-59页 |
| ·最大强度投影法 | 第55页 |
| ·混合模型 | 第55-57页 |
| ·参数估计方法 | 第57-59页 |
| ·血管提取实验 | 第59-63页 |
| ·实验数据 | 第59页 |
| ·MIP 预处理 | 第59-60页 |
| ·混合模型构建 | 第60页 |
| ·参数估计 | 第60-61页 |
| ·实验结果 | 第61-63页 |
| ·总结与讨论 | 第63-64页 |
| 第五章 基于组合分类器的组织分类 | 第64-82页 |
| ·研究背景 | 第64页 |
| ·重抽样技术 | 第64-65页 |
| ·基于分类树的组合分类器 | 第65-71页 |
| ·分类树 | 第66-68页 |
| ·随机森林 | 第68页 |
| ·随机森林生长方法 | 第68-69页 |
| ·随机森林的收敛性 | 第69-71页 |
| ·分类效果评估 | 第71-72页 |
| ·组织分类实验 | 第72-80页 |
| ·实验1 | 第72-78页 |
| ·实验2 | 第78-80页 |
| ·总结与讨论 | 第80-82页 |
| 第六章 大尺寸图像聚类种子点的初始化 | 第82-91页 |
| ·大数据集聚类研究概况 | 第82-84页 |
| ·K-均值聚类种子点选取方法 | 第84-85页 |
| ·图像多分辨率子采样 | 第85-86页 |
| ·图像规律二次抽样方法 | 第86-90页 |
| ·图像规律二次抽样 | 第86-87页 |
| ·实验 | 第87-90页 |
| ·总结与讨论 | 第90-91页 |
| 第七章 结束语 | 第91-94页 |
| ·本文主要贡献与创新 | 第91-92页 |
| ·下一步研究工作 | 第92-94页 |
| 参考文献 | 第94-106页 |
| 致谢 | 第106-107页 |
| 作者简历 | 第107-108页 |
| 攻读博士学位期间发表的论文 | 第108-109页 |
