| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 课题来源 | 第8页 |
| 1.2 研究背景及意义 | 第8-9页 |
| 1.2.1 研究背景 | 第8页 |
| 1.2.2 研究意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-14页 |
| 1.3.1 医学图像分割方法研究 | 第10页 |
| 1.3.2 肺结节检测的研究现状 | 第10-13页 |
| 1.3.3 肺部分割及肺结节分割方法研究 | 第13-14页 |
| 1.4 肺结节检测所面临的挑战 | 第14页 |
| 1.5 本文的研究内容 | 第14-16页 |
| 1.6 本文的组织结构 | 第16-17页 |
| 第2章 基于区域生长算法的肺实质提取 | 第17-26页 |
| 2.1 引言 | 第17页 |
| 2.2 数据预处理 | 第17-18页 |
| 2.3 肺实质提取 | 第18-24页 |
| 2.3.1 基于 Otsu 阈值法的区域生长算法提取肺实质 | 第18-21页 |
| 2.3.2 基于 SUSAN 算子的肺实质补偿 | 第21-24页 |
| 2.4 实验结果及分析 | 第24-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第3章 基于贝叶斯分类的 ROIS 分割算法 | 第26-43页 |
| 3.1 引言 | 第26页 |
| 3.2 基于高斯混合模型的参数初始化方法 | 第26-33页 |
| 3.2.1 高斯混合模型 | 第26-28页 |
| 3.2.2 基于自适应阈值迭代算法的 GMM 的参数初始化 | 第28-33页 |
| 3.3 基于 EM 参数估计的贝叶斯分类方法 | 第33-39页 |
| 3.3.1 EM 算法的参数估计 | 第33-37页 |
| 3.3.2 基于贝叶斯分类的 ROIs 的初步分割 | 第37-39页 |
| 3.4 实验结果及分析 | 第39-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 基于梯度信息的 ROIS 的精确分割及肺结节检测 | 第43-52页 |
| 4.1 引言 | 第43页 |
| 4.2 基于梯度信息的肺部 ROIS 的边缘膨胀 | 第43-47页 |
| 4.2.1 基于 Sobel 算子的边缘检测 | 第43-45页 |
| 4.2.2 基于边缘梯度信息的膨胀算法 | 第45-47页 |
| 4.3 基于圆形描述子的肺结节检测 | 第47-48页 |
| 4.4 实验结果与评价 | 第48-51页 |
| 4.4.1 实验数据 | 第48页 |
| 4.4.2 分割评估 | 第48-49页 |
| 4.4.3 实验结果及分析 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 结论 | 第52-54页 |
| 参考文献 | 第54-59页 |
| 攻读学位期间发表的学术论文 | 第59-61页 |
| 致谢 | 第61页 |
