| 中文摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 医学图像分割方法 | 第11-15页 |
| 1.3 研究内容与现状 | 第15-16页 |
| 1.4 图像数据库和实验平台介绍 | 第16页 |
| 1.5 本论文研究内容及安排 | 第16-19页 |
| 1.5.1 本论文主要研究内容 | 第16-17页 |
| 1.5.2 本论文章节安排 | 第17-19页 |
| 第二章 基于支持向量机的感兴趣区域提取 | 第19-31页 |
| 2.1 统计学习理论 | 第19-21页 |
| 2.1.1 学习过程一致性 | 第20页 |
| 2.1.2 VC维 | 第20页 |
| 2.1.3 推广性的界 | 第20-21页 |
| 2.1.4 结构风险最小化 | 第21页 |
| 2.2 支持向量机的基本思想 | 第21-25页 |
| 2.2.1 线性支持向量机 | 第21-23页 |
| 2.2.2 非线性支持向量机 | 第23-25页 |
| 2.3 基于支持向量机的ROI提取新方法 | 第25-29页 |
| 2.3.1 支持向量机基本知识介绍 | 第25-27页 |
| 2.3.2 感兴趣区域（ROI）提取流程 | 第27-29页 |
| 2.4 实验与分析 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于改进水平集的LV内膜分割 | 第31-49页 |
| 3.1 变分水平集基本原理 | 第31-36页 |
| 3.1.1 变分原理 | 第31-32页 |
| 3.1.2 梯度下降流 | 第32-33页 |
| 3.1.3 曲线的水平集表示及其演化 | 第33-36页 |
| 3.2 传统的变分水平集模型 | 第36-38页 |
| 3.2.1 MS模型 | 第36页 |
| 3.2.2 CV主动轮廓模型 | 第36-38页 |
| 3.3 基于改进水平集和形态学运算的LV内膜分割新模型 | 第38-44页 |
| 3.3.1 改进的水平集模型 | 第38-41页 |
| 3.3.2 形态学基本运算 | 第41-42页 |
| 3.3.3 基于改进水平集的左心室内膜分割方法 | 第42-44页 |
| 3.4 实验与分析 | 第44-47页 |
| 3.4.1 实验设置及指标评价 | 第44-45页 |
| 3.4.2 实验结果分析 | 第45-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 基于模糊C均值聚类的去偏移场后LV外膜分割 | 第49-54页 |
| 4.1 聚类原理介绍 | 第49页 |
| 4.2 K均值聚类和模糊C均值聚类算法 | 第49-50页 |
| 4.2.1 K均值聚类算法 | 第49-50页 |
| 4.2.2 模糊C均值聚类算法 | 第50页 |
| 4.3 偏移场去除和FCM相结合的LV外膜分割新方法 | 第50-52页 |
| 4.4 实验与分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 论文工作总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 在学期间的研究成果 | 第59-60页 |
| 致谢 | 第60页 |
