| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-13页 |
| ·脑部磁共振图像简介 | 第9-10页 |
| ·脑部MR图像的分割 | 第10页 |
| ·医学图像分割的目的及意义 | 第10-11页 |
| ·本文的结构 | 第11页 |
| ·本文的主要研究工作及创新点 | 第11-13页 |
| 第二章 医学图像分割简介 | 第13-22页 |
| ·图像分割的定义 | 第13页 |
| ·医学图像分割算法分类 | 第13-19页 |
| ·经典的分割法 | 第14-16页 |
| ·基于统计学的分割方法 | 第16页 |
| ·人工神经网络分割算法 | 第16页 |
| ·基于形变模型的分割算法 | 第16-17页 |
| ·基于模糊集理论的分割方法 | 第17-18页 |
| ·其它方法 | 第18-19页 |
| ·医学图像分割方法性能评价 | 第19-22页 |
| 第三章 模糊C均值算法及其改进算法 | 第22-28页 |
| ·模糊C均值算法 | 第22-23页 |
| ·LAGRANGE乘子法 | 第23-24页 |
| ·模糊C均值常见的几类改进算法 | 第24-28页 |
| ·改变隶属度的约束条件 | 第24-25页 |
| ·增加空间信息的约束项 | 第25-26页 |
| ·引入核函数 | 第26-28页 |
| 第四章 基于多目标规划的模糊C均值聚类算法 | 第28-35页 |
| ·引言 | 第28页 |
| ·MOP-FCM聚类算法(MULTIPLEOBJECTIVEPROGRAMMINGFCM) | 第28-30页 |
| ·实验 | 第30-34页 |
| ·模拟方块图 | 第30页 |
| ·模拟脑部MR图像 | 第30-33页 |
| ·临床脑部MR图像 | 第33-34页 |
| ·结论 | 第34-35页 |
| 第五章 利用空间信息的核模糊C均值聚类算法 | 第35-41页 |
| ·前言 | 第35-36页 |
| ·核的定义及常用核函数 | 第35-36页 |
| ·基于核函数的FCM算法(KERNEL FCM) | 第36-37页 |
| ·利用空间信息的核FCM算法(SIKFCM) | 第37-38页 |
| ·实验 | 第38-40页 |
| ·结论 | 第40-41页 |
| 第六章 总结和展望 | 第41-42页 |
| ·本文研究工作的总结 | 第41页 |
| ·后续工作的展望 | 第41-42页 |
| 参考文献 | 第42-47页 |
| 攻读硕士学位期间发表或完成论文情况 | 第47-48页 |
| 致谢 | 第48-51页 |
| 附件 | 第51页 |