| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题背景和意义 | 第10-11页 |
| 1.2 研究现状 | 第11-12页 |
| 1.3 本文的研究内容及创新点 | 第12-13页 |
| 1.4 本文的结构安排 | 第13-16页 |
| 第2章 婴幼儿脑MRI常用分割策略综述 | 第16-22页 |
| 2.1 基于图集的算法 | 第16-18页 |
| 2.1.1 基于手动导出的图集和组织图谱的算法 | 第16-17页 |
| 2.1.2 基于概率图谱和空间先验的算法 | 第17页 |
| 2.1.3 其他的基于图集的算法 | 第17-18页 |
| 2.2 基于扩展图集的算法 | 第18-19页 |
| 2.2.1 使用纵向数据的分割方法 | 第18-19页 |
| 2.2.2 块驱动的水平集分割方法 | 第19页 |
| 2.3 不使用图集的算法 | 第19页 |
| 2.4 本章小结 | 第19-22页 |
| 第3章 基于由粗到精策略SVM的婴幼儿脑图像分割算法 | 第22-34页 |
| 3.1 图像的获取和预处理 | 第22-24页 |
| 3.2 基于SVM的图像分割策略 | 第24-29页 |
| 3.2.1 第一阶段:提取组织概率图谱和不确定区域 | 第24-27页 |
| 3.2.2 第二阶段:获取较精准的概率图谱和标签 | 第27-28页 |
| 3.2.3 第三阶段:得到最终的分割结果 | 第28-29页 |
| 3.3 实验结果及分析 | 第29-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第4章 基于少量图集和标签融合技术的婴幼儿脑图像分割算法 | 第34-46页 |
| 4.1 标签融合理论基础 | 第34-37页 |
| 4.1.1 生成模型 | 第34-35页 |
| 4.1.2 模型实例化 | 第35-37页 |
| 4.2 针对少量图集标签的处理 | 第37-41页 |
| 4.3 实验结果及分析 | 第41-43页 |
| 4.4 本章小结 | 第43-46页 |
| 第5章 基于非对称多尺度图像块和稀疏表达的婴幼儿脑图像分割算法 | 第46-62页 |
| 5.1 脑图像分割中的稀疏表达 | 第46-47页 |
| 5.2 从初始分割得到二次分割的区域 | 第47-49页 |
| 5.3 非对称多尺度图像块的稀疏表达 | 第49-54页 |
| 5.4 实验结果及分析 | 第54-59页 |
| 5.5 本章小结 | 第59-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 本文工作总结 | 第62页 |
| 6.2 未来工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
