| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪论 | 第8-12页 |
| ·研究背景与意义 | 第8-9页 |
| ·国内外研究现状 | 第9-10页 |
| ·国外研究现状 | 第9-10页 |
| ·国内研究现状 | 第10页 |
| ·本文主要内容及组织结构 | 第10-11页 |
| ·本文创新点 | 第11-12页 |
| 第2章 医学图像处理技术基础 | 第12-21页 |
| ·现代医学图像处理技术 | 第12-15页 |
| ·图像增强和重建 | 第12-13页 |
| ·图像编码压缩 | 第13页 |
| ·图像融合 | 第13-14页 |
| ·图像分割 | 第14-15页 |
| ·现代医学图像分类方法 | 第15-21页 |
| ·基于生成模型的图像分类方法 | 第15-17页 |
| ·基于判别模型的图像分类方法 | 第17-21页 |
| 第3章 张量及张量分解基本概念 | 第21-26页 |
| ·张量的定义 | 第21页 |
| ·张量的基本运算 | 第21-23页 |
| ·典型张量分解 | 第23-26页 |
| ·CP分解 | 第23-24页 |
| ·Tucker分解 | 第24-26页 |
| 第4章 基于傅里叶—高阶奇异值分解的脑部图像病变识别算法 | 第26-35页 |
| ·傅里叶变换 | 第26-27页 |
| ·高阶奇异值分解 | 第27页 |
| ·傅里叶—高阶奇异值分解算法 | 第27-30页 |
| ·傅里叶—高阶奇异值分解算法的验证与分析 | 第30-35页 |
| ·脑部图像病变识别系统 | 第30页 |
| ·脑部图像病变识别步骤 | 第30-33页 |
| ·实验结果验证与分析 | 第33-35页 |
| 第5章 基于小波—高阶奇异值分解的脑部图像病变识别算法 | 第35-42页 |
| ·小波变换 | 第35-36页 |
| ·小波—高阶奇异值分解算法 | 第36-38页 |
| ·小波—高阶奇异值分解算法的验证与分析 | 第38-41页 |
| ·脑部图像病变识别步骤 | 第38-39页 |
| ·实验结果验证与分析 | 第39-41页 |
| ·算法比较与分析 | 第41-42页 |
| 第6章 总结与展望 | 第42-44页 |
| ·工作总结 | 第42-43页 |
| ·展望 | 第43-44页 |
| 参考文献 | 第44-47页 |
| 在读期间发表的学术论文及研究成果 | 第47-48页 |
| 致谢 | 第48页 |