| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究工作的背景与意义 | 第9-10页 |
| 1.2 医学图像分割算法的国内外研究历史与现状 | 第10-11页 |
| 1.3 本文的主要贡献与创新 | 第11页 |
| 1.4 本论文的结构安排 | 第11-13页 |
| 第二章 医学图像分割方法简介 | 第13-25页 |
| 2.1 基于区域的分割方法 | 第13-19页 |
| 2.1.1 阈值法 | 第13-14页 |
| 2.1.2 区域生长法 | 第14-16页 |
| 2.1.3 分类器和聚类算法 | 第16-17页 |
| 2.1.4 基于随机场的方法 | 第17页 |
| 2.1.5 标记法 | 第17-18页 |
| 2.1.6 基于形态学分水岭的分割方法 | 第18-19页 |
| 2.2 边缘检测 | 第19-21页 |
| 2.2.1 基于曲面拟合的方法 | 第20页 |
| 2.2.2 基于边界曲线拟合的方法 | 第20页 |
| 2.2.3 串行边界查找 | 第20-21页 |
| 2.3 基于特定工具的分割方法 | 第21-24页 |
| 2.3.1 基于形变模型的分割方法 | 第21页 |
| 2.3.2 基于人机交互的分割方法 | 第21-22页 |
| 2.3.3 基于决策树的分割方法 | 第22页 |
| 2.3.4 基于神经网络的分割方法 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 结合范例支持向量机(E-SVM)和水平集的全自动肾脏分割算法 | 第25-51页 |
| 3.1 基于范例支持向量机的肾脏检测 | 第25-35页 |
| 3.1.1 图像切片中的肾脏范例标定 | 第25-26页 |
| 3.1.2 肾脏区域的特征提取 | 第26-32页 |
| 3.1.3 单个范例支持向量机的训练 | 第32-34页 |
| 3.1.4 集成范例支持向量机的校正 | 第34-35页 |
| 3.1.5 范例支持向量机的训练测试验证 | 第35页 |
| 3.2 基于目标检测的水平集肾脏分割 | 第35-41页 |
| 3.2.1 水平集基本理论 | 第36-37页 |
| 3.2.2 变分水平集方程 | 第37-38页 |
| 3.2.3 水平集方法模型 | 第38页 |
| 3.2.4 传统水平集方法 | 第38-40页 |
| 3.2.5 改进水平集方法 | 第40-41页 |
| 3.3 实验结果与分析 | 第41-47页 |
| 3.3.1 范例支持向量机的目标检测有效性验证 | 第42-45页 |
| 3.3.2 基于目标定位的水平集肾脏分割性能比较 | 第45-47页 |
| 3.4 3D重建 | 第47-49页 |
| 3.5 本章小结 | 第49-51页 |
| 第四章 总结与展望 | 第51-53页 |
| 4.1 全文工作总结 | 第51页 |
| 4.2 工作展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-58页 |