| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外脑MR图像分割算法研究现状 | 第12-16页 |
| 1.2.1 经典的分割方法 | 第13-14页 |
| 1.2.2 基于特定理论的分割方法 | 第14-15页 |
| 1.2.3 基于聚类的方法 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第2章 模糊聚类及脑MR图像分割理论基础 | 第19-27页 |
| 2.1 模糊聚类理论 | 第19-21页 |
| 2.1.1 模糊理论 | 第19-20页 |
| 2.1.2 聚类理论 | 第20-21页 |
| 2.1.3 模糊聚类理论 | 第21页 |
| 2.2 模糊C-均值聚类算法 | 第21-25页 |
| 2.2.1 模糊集的C划分 | 第21-22页 |
| 2.2.2 硬C-均值聚类算法(HCM) | 第22-23页 |
| 2.2.3 模糊C-均值聚类算法 | 第23-25页 |
| 2.3 脑MR图像数据来源 | 第25-26页 |
| 2.4 脑MR图像分割质量评价方法 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 FCM常见改进算法研究与分析 | 第27-45页 |
| 3.1 针对噪声的FCM改进算法 | 第27-37页 |
| 3.1.1 引入核函数 | 第27-30页 |
| 3.1.2 增加惩罚项 | 第30-33页 |
| 3.1.3 与其他模型结合 | 第33-37页 |
| 3.2 针对偏移场的FCM改进算法 | 第37-44页 |
| 3.2.1 BCFCM | 第37-40页 |
| 3.2.2 CLIC | 第40-44页 |
| 3.3 本章小结 | 第44-45页 |
| 第4章 基于核函数结合空间信息的FCM脑MR图像分割算法 | 第45-61页 |
| 4.1 引言 | 第45-46页 |
| 4.2 基于核函数结合空间信息的FCM脑MR图像分割算法 | 第46-50页 |
| 4.2.1 现有算法及问题 | 第46-47页 |
| 4.2.2 算法模型建立 | 第47-48页 |
| 4.2.3 算法参数估计 | 第48-49页 |
| 4.2.4 算法步骤 | 第49-50页 |
| 4.3 实验结果与分析 | 第50-60页 |
| 4.3.1 合成图像的算法测试 | 第50-52页 |
| 4.3.2 脑MR图像实验结果 | 第52-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 基于全局信息改进的CLIC算法 | 第61-75页 |
| 5.1 引言 | 第61-62页 |
| 5.2 基于全局信息改进的CLIC算法 | 第62-67页 |
| 5.2.1 图像模型建立 | 第62页 |
| 5.2.2 现有算法及问题 | 第62页 |
| 5.2.3 算法模型建立 | 第62-64页 |
| 5.2.4 算法参数估计 | 第64-66页 |
| 5.2.5 算法步骤 | 第66-67页 |
| 5.3 实验结果与分析 | 第67-73页 |
| 5.3.1 算法参数说明 | 第67页 |
| 5.3.2 算法测试 | 第67-69页 |
| 5.3.3 算法分割精度比较 | 第69-72页 |
| 5.3.4 算法稳定性说明 | 第72-73页 |
| 5.4 本章小结 | 第73-75页 |
| 第6章 结论与展望 | 第75-77页 |
| 6.1 结论 | 第75-76页 |
| 6.2 展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-85页 |
| 攻读硕士学位期间发表的专利及科研情况 | 第85页 |