| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-12页 |
| 1.1.1 课题来源及意义 | 第9-10页 |
| 1.1.2 国内外研究现状 | 第10-12页 |
| 1.2 课题主要研究内容 | 第12-13页 |
| 1.3 论文组织结构 | 第13-14页 |
| 1.4 本章小结 | 第14-15页 |
| 第二章 基于水平集方法的分割 | 第15-24页 |
| 2.1 水平集方法的研究背景 | 第15-16页 |
| 2.2 水平集方法的基本原理 | 第16-18页 |
| 2.2.1 水平集的分割 | 第16-17页 |
| 2.2.2 变分原理和梯度下降流 | 第17-18页 |
| 2.3 水平集方法的特点 | 第18-19页 |
| 2.4 传统水平集方法的分割 | 第19-23页 |
| 2.4.1 几何活动轮廓模型 | 第20-21页 |
| 2.4.2 C-V模型 | 第21-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 基于Nystrom方法的变分水平集图像分割算法 | 第24-36页 |
| 3.1 基于图论的聚类 | 第24-26页 |
| 3.1.1 谱聚类 | 第24-25页 |
| 3.1.2 基于Nystrom的谱聚类 | 第25-26页 |
| 3.2 最小化区域拟合能量模型 | 第26-27页 |
| 3.3 算法改进思路 | 第27-28页 |
| 3.4 算法实验过程 | 第28-33页 |
| 3.4.1 基于兴趣区域设定初始轮廓 | 第28-29页 |
| 3.4.2 血管图分割实验 | 第29-31页 |
| 3.4.3 头顶显微CT图分割实验 | 第31-32页 |
| 3.4.4 酵母荧光显微图分割实验 | 第32-33页 |
| 3.5 算法实验结果与分析 | 第33-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 基于Nystrom和Shearlet变换的水平集图像分割算法研究 | 第36-47页 |
| 4.1 Shearlet变换理论 | 第36-40页 |
| 4.1.1 Shearlet变换 | 第36-38页 |
| 4.1.2 Shearlet变换的离散化 | 第38-39页 |
| 4.1.3 Shearlet变换的特点 | 第39-40页 |
| 4.2 算法改进思路 | 第40-41页 |
| 4.3 算法实验过程 | 第41-46页 |
| 4.3.1 脑部图分割 | 第42-43页 |
| 4.3.2 血管造影图分割 | 第43-44页 |
| 4.3.3 腹腔医学图像分割 | 第44-46页 |
| 4.4 算法实验结果与分析 | 第46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 医学图像分割算法平台 | 第47-59页 |
| 5.1 平台需求背景及相关技术 | 第47-48页 |
| 5.1.1 平台需求背景 | 第47页 |
| 5.1.2 相关技术介绍 | 第47-48页 |
| 5.2 平台概要设计 | 第48-49页 |
| 5.3 平台重点功能模块详细设计 | 第49-58页 |
| 5.3.1 Dicom图像读取模块 | 第49-51页 |
| 5.3.2 初始轮廓绘制模块 | 第51-54页 |
| 5.3.3 算法演示模块 | 第54-56页 |
| 5.3.4 算法比较模块 | 第56-58页 |
| 5.4 平台特点 | 第58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文的工作总结 | 第59-60页 |
| 6.2 研究展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间的研究成果及获奖情况 | 第65-66页 |
| 致谢 | 第66页 |