基于改进支持向量机的脑部医学图像分割及肿瘤图像特征提取的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-19页 |
| 1.1 引言 | 第10-11页 |
| 1.2 MRI 医学图像分割 | 第11-17页 |
| 1.2.1 医学图像分割的背景及现状 | 第11-14页 |
| 1.2.2 医学图像分割发展趋势 | 第14-16页 |
| 1.2.3 支持向量机方法在医学图像处理中的应用 | 第16-17页 |
| 1.3 本文主要内容及安排 | 第17-19页 |
| 2 统计学习理论及支持向量机理论基础 | 第19-39页 |
| 2.1 统计学习理论 | 第19-23页 |
| 2.1.1 机器学习基本方法 | 第19-21页 |
| 2.1.2 VC 维 | 第21-22页 |
| 2.1.3 结构风险最小化 | 第22-23页 |
| 2.2 支持向量机理论 | 第23-37页 |
| 2.2.1 最优分类超平面 | 第23-24页 |
| 2.2.2 线性和非线性支持向量机 | 第24-29页 |
| 2.2.3 特征提取及归一化 | 第29-32页 |
| 2.2.4 主成分分析 | 第32-35页 |
| 2.2.5 核函数 | 第35-37页 |
| 2.3 本章小结 | 第37-39页 |
| 3 基于水平集的 CV 模型理论 | 第39-49页 |
| 3.1 活动轮廓模型 | 第39-43页 |
| 3.1.1 Snake 模型 | 第39-41页 |
| 3.1.2 MS 模型 | 第41-43页 |
| 3.2 基于水平集的 CV 模型 | 第43-47页 |
| 3.2.1 水平集概述 | 第43-45页 |
| 3.2.2 CV 模型水平集求解 | 第45-47页 |
| 3.3 本章小结 | 第47-49页 |
| 4 改进的支持向量机在脑图像分割中的应用 | 第49-58页 |
| 4.1 CV-SVM 理论 | 第49-50页 |
| 4.2 CV-SVM 脑图像分割 | 第50-57页 |
| 4.2.1 参数选取及效果评价 | 第50-52页 |
| 4.2.2 图像分割实验结果 | 第52-57页 |
| 4.3 本章小结 | 第57-58页 |
| 5 医学 MRI 图像肿瘤识别及提取 | 第58-68页 |
| 5.1 图像预处理 | 第58-62页 |
| 5.2 肿瘤提取 | 第62-67页 |
| 5.3 本章小结 | 第67-68页 |
| 6 总结与展望 | 第68-70页 |
| 6.1 全文总结 | 第68页 |
| 6.2 工作展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 个人简历 | 第75页 |
| 发表的学术论文 | 第75-76页 |
