| 摘要 | 第3-5页 |
| ABSTRACT | 第5-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景 | 第11-14页 |
| 1.2 本文的主要工作 | 第14-15页 |
| 1.3 本文的组织结构 | 第15-16页 |
| 第二章 常见医学图像分割方法 | 第16-39页 |
| 2.1 引言 | 第16-17页 |
| 2.2 阈值分割与区域生长方法 | 第17-18页 |
| 2.3 基于聚类和分类的分割方法 | 第18-24页 |
| 2.3.1 模糊C均值聚类算法 | 第19-21页 |
| 2.3.2 人工神经网络 | 第21-22页 |
| 2.3.3 支持向量机 | 第22-24页 |
| 2.4 基于活动轮廓模型的分割方法 | 第24-29页 |
| 2.4.1 参数活动轮廓模型 | 第24-27页 |
| 2.4.2 几何活动轮廓模型 | 第27-29页 |
| 2.5 基于图论的交互式分割方法 | 第29-37页 |
| 2.5.1 图割算法 | 第29-33页 |
| 2.5.2 随机游走算法 | 第33-35页 |
| 2.5.3 最短路径算法 | 第35-36页 |
| 2.5.4 Power Watershed分割框架 | 第36-37页 |
| 2.6 小结 | 第37-39页 |
| 第三章 一种新型基于随机游走的图像分割方法 | 第39-69页 |
| 3.1 引言 | 第39-42页 |
| 3.2 随机游走算法在特征空间中的拓展 | 第42-45页 |
| 3.3 非约束优化形式的随机游走算法 | 第45-47页 |
| 3.4 与两种流行算法的比较实验 | 第47-56页 |
| 3.4.1 脑肿瘤核磁共振图像数据 | 第47-48页 |
| 3.4.2 算法性能评估指标 | 第48页 |
| 3.4.3 关键参数的选择 | 第48-50页 |
| 3.4.4 种子点质量下降的三种情况 | 第50-52页 |
| 3.4.5 与两种流行算法的对比实验结果 | 第52-56页 |
| 3.5 全自动多模态脑肿瘤MRI图像分割方法 | 第56-61页 |
| 3.5.1 基于不对称性的自动化种子点定位方法 | 第56-59页 |
| 3.5.2 全自动脑肿瘤分割实验结果 | 第59-61页 |
| 3.6 大规模稀疏线性方程组的加速求解 | 第61-66页 |
| 3.7 讨论与小结 | 第66-69页 |
| 第四章 基于半监督谱聚类的迭代式分割方法 | 第69-85页 |
| 4.1 引言 | 第69-70页 |
| 4.2 谱聚类与随机游走分割算法的关系 | 第70-72页 |
| 4.3 基于半监督谱聚类的迭代式分割方法 | 第72-75页 |
| 4.3.1 分割算法的能量函数 | 第73-74页 |
| 4.3.2 迭代流程及其收敛性 | 第74-75页 |
| 4.4 在乳腺断层摄影图像分割中的应用 | 第75-82页 |
| 4.4.1 数字乳腺断层摄影图像数据 | 第75页 |
| 4.4.2 算法性能的评估指标 | 第75-76页 |
| 4.4.3 关键参数的选择 | 第76-79页 |
| 4.4.4 乳腺肿瘤的分割结果 | 第79-82页 |
| 4.5 初始化对分割结果的影响 | 第82-84页 |
| 4.6 讨论与小结 | 第84-85页 |
| 第五章 总结与展望 | 第85-88页 |
| 5.1 工作总结 | 第85-86页 |
| 5.2 研究展望 | 第86-88页 |
| 参考文献 | 第88-93页 |
| 成果 | 第93-94页 |
| 致谢 | 第94-95页 |