| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.2 AML细胞图像的国内外研究现状 | 第12-14页 |
| 1.3 课题的来源及研究内容 | 第14-15页 |
| 1.3.1 课题来源 | 第14页 |
| 1.3.2 课题的主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第2章 医学图像分割方法概述 | 第17-24页 |
| 2.1 图像分割的概念 | 第17-18页 |
| 2.2 常用细胞图像分割方法 | 第18-23页 |
| 2.2.1 基于阈值的分割方法 | 第18-19页 |
| 2.2.2 基于边缘检测的分割方法 | 第19-20页 |
| 2.2.3 基于区域的分割方法 | 第20-21页 |
| 2.2.4 基于特定理论的分割方法 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 基于空间聚类与隐马尔可夫随机场的细胞图像分割算法研究 | 第24-39页 |
| 3.1 基于空间聚类的细胞图像分割技术 | 第24-29页 |
| 3.1.1 k-means聚类图像分割 | 第24-27页 |
| 3.1.2 k-means聚类分割算法的优缺点 | 第27页 |
| 3.1.3 基于改进的空间聚类细胞分割技术 | 第27-29页 |
| 3.2 隐马尔可夫随机场模型理论 | 第29-32页 |
| 3.2.1 邻域系统和基团 | 第29-31页 |
| 3.2.2 细胞图像的隐马尔可夫随机场描述 | 第31-32页 |
| 3.3 细胞分割的隐马尔可夫随机场建模 | 第32-35页 |
| 3.3.1 标号场先验概率模型的建立 | 第32-33页 |
| 3.3.2 特征场条件概率模型的建立 | 第33-34页 |
| 3.3.3 期望最大值算法估计模型参数 | 第34-35页 |
| 3.4 基于空间聚类与隐马尔可夫随机场相结合的细胞分割算法 | 第35-38页 |
| 3.4.1 空间聚类与HMRF模型相结合的必要性 | 第35页 |
| 3.4.2 基于空间聚类与HMRF模型的二级分割理论 | 第35-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第4章 基于BP神经网络的AML细胞分类 | 第39-53页 |
| 4.1 AML细胞图像特征 | 第39-40页 |
| 4.2 人工神经网络 | 第40-46页 |
| 4.2.1 人工神经元模型 | 第40-42页 |
| 4.2.2 常用激活函数 | 第42-44页 |
| 4.2.3 神经网络学习方式 | 第44-46页 |
| 4.3 基于BP神经网络的AML细胞分类识别 | 第46-52页 |
| 4.3.1 网络结构和网络参数的确定 | 第46-47页 |
| 4.3.2 网络的训练流程 | 第47-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 实验结果与分析 | 第53-61页 |
| 5.1 实验数据和实验环境 | 第53-54页 |
| 5.2 细胞分割实验与分析 | 第54-58页 |
| 5.2.1 视觉评价 | 第54-55页 |
| 5.2.2 定量评价 | 第55-57页 |
| 5.2.3 算法分析评价 | 第57-58页 |
| 5.3 细胞识别实验与分析 | 第58-60页 |
| 5.3.1 实验方法 | 第58-59页 |
| 5.3.2 细胞分类识别结果 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读硕士学位期间所发表的学术论文 | 第68-69页 |
| 致谢 | 第69页 |
