| 摘要 | 第5-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第12-20页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 动机和意义 | 第13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 MR图像分割技术 | 第13-14页 |
| 1.2.2 仿生智能算法 | 第14-16页 |
| 1.2.3 仿生智能算法在MR图像分割中的应用 | 第16-17页 |
| 1.3 本文的创新点和主要研究内容 | 第17-18页 |
| 1.3.1 基于局部变分贝叶斯模型的大脑MR图像分割 | 第17-18页 |
| 1.3.2 基于HMRF模型的大脑MR图像分割 | 第18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 2 仿生智能算法和MR图像分割的相关技术 | 第20-36页 |
| 2.1 仿生智能算法 | 第20-24页 |
| 2.1.1 遗传算法 | 第20-21页 |
| 2.1.2 差分进化算法 | 第21-22页 |
| 2.1.3 分布估计算法 | 第22页 |
| 2.1.4 DE与EDA混合算法 | 第22-23页 |
| 2.1.5 克隆选择算法 | 第23-24页 |
| 2.2 MR图像分割模型 | 第24-30页 |
| 2.2.1 变分贝叶斯模型 | 第24-26页 |
| 2.2.2 马尔科夫随机场模型 | 第26-28页 |
| 2.2.3 隐马尔科夫模型 | 第28-30页 |
| 2.3 MR图像分割难点 | 第30-33页 |
| 2.3.1 偏移场 | 第30-33页 |
| 2.3.2 部分容积效应 | 第33页 |
| 2.4 本章小结 | 第33-36页 |
| 3 基于NDE求解LVB模型的大脑MR图像分割算法 | 第36-44页 |
| 3.1 NDE-LVB算法内容 | 第36-39页 |
| 3.1.1 大脑地图集的创建 | 第36-37页 |
| 3.1.2 MR图像数据小块 | 第37页 |
| 3.1.3 用NDE算法训练LVB模型 | 第37-39页 |
| 3.1.4 体素分割 | 第39页 |
| 3.2 NDE-LVB算法总结 | 第39页 |
| 3.3 实验结果 | 第39-40页 |
| 3.4 讨论与分析 | 第40-41页 |
| 3.5 本章小结 | 第41-44页 |
| 4 基于DE和EDA的混合克隆选择算法 | 第44-54页 |
| 4.1 CSA/DE/EDA算法内容 | 第44-46页 |
| 4.1.1 选择和克隆 | 第44-45页 |
| 4.1.2 超变异 | 第45页 |
| 4.1.3 受体编辑 | 第45-46页 |
| 4.1.4 再选择 | 第46页 |
| 4.1.5 终止条件 | 第46页 |
| 4.2 CSA/DE/EDA算法总结 | 第46-47页 |
| 4.3 实验结果 | 第47-50页 |
| 4.4 讨论与分析 | 第50-52页 |
| 4.5 本章小结 | 第52-54页 |
| 5 基于CSA/DE/EDA算法求解HMRF模型的大脑MR图像分割算法 | 第54-72页 |
| 5.1 基于像素的HMRF-CSA/DE/EDA算法 | 第54-55页 |
| 5.2 基于区域的HMRF-CSA/DE/EDA算法 | 第55-57页 |
| 5.2.1 大脑MR图像的过分割 | 第55页 |
| 5.2.2 基于区域邻接图的分割 | 第55-57页 |
| 5.3 HMRF-CSA/DE/EDA算法总结 | 第57-59页 |
| 5.4 实验结果和讨论 | 第59-71页 |
| 5.4.1 测试图像的分割 | 第59-62页 |
| 5.4.2 大脑MR图像的分割 | 第62-70页 |
| 5.4.3 讨论与分析 | 第70-71页 |
| 5.5 本章小结 | 第71-72页 |
| 6 总结和展望 | 第72-74页 |
| 6.1 总结及主要贡献 | 第72页 |
| 6.2 工作展望 | 第72-74页 |
| 参考文献 | 第74-84页 |
| 致谢 | 第84-86页 |
| 攻读硕士学位期间发表的学术论文和参加科研情况 | 第86-88页 |
| 攻读硕士学位期间发表的学术论文 | 第86页 |
| 攻读硕士学位期间参加的科研情况 | 第86-88页 |
