| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第13-25页 |
| 1.1 课题研究背景及意义 | 第13-15页 |
| 1.1.1 图像分割 | 第13页 |
| 1.1.2 医学影像 | 第13-14页 |
| 1.1.3 颅内出血 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-23页 |
| 1.2.1 图像分割研究现状 | 第15-19页 |
| 1.2.2 超像素算法研究现状 | 第19-21页 |
| 1.2.3 医学图像分割研究现状 | 第21-22页 |
| 1.2.4 颅内出血区域分割研究现状 | 第22-23页 |
| 1.3 论文主要内容及组织结构 | 第23-25页 |
| 2 超像素与超体素 | 第25-32页 |
| 2.1 SLIC算法 | 第25-29页 |
| 2.1.1 CIELab色彩空间 | 第25-26页 |
| 2.1.2 K-means聚类算法 | 第26-27页 |
| 2.1.3 SLIC算法的实现 | 第27-29页 |
| 2.2 基于SLIC的超体素算法 | 第29-31页 |
| 2.3 本章小结 | 第31-32页 |
| 3 基于超体素和图割算法的颅内出血区域分割 | 第32-47页 |
| 3.1 图论理论基础 | 第32-38页 |
| 3.1.1 图论基本概念 | 第32-34页 |
| 3.1.2 网络流及最大流算法 | 第34-38页 |
| 3.2 图割算法与图像分割 | 第38-42页 |
| 3.3 改进的图割算法 | 第42-45页 |
| 3.3.1 训练过程 | 第43-44页 |
| 3.3.2 图像分割 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 4 基于超体素和Tri-training算法的颅内出血区域分割 | 第47-54页 |
| 4.1 半监督学习理论基础 | 第47-48页 |
| 4.1.1 半监督学习定义 | 第47页 |
| 4.1.2 模型假设 | 第47-48页 |
| 4.2 Tri-training算法 | 第48-50页 |
| 4.3 改进的Tri-Training算法 | 第50-52页 |
| 4.3.1 训练过程 | 第50-51页 |
| 4.3.2 图像分割 | 第51-52页 |
| 4.4 本章小结 | 第52-54页 |
| 5 实验结果与分析 | 第54-67页 |
| 5.1 数据库的构建 | 第54页 |
| 5.2 图像预处理 | 第54-57页 |
| 5.2.1 提取颅内区域 | 第54-56页 |
| 5.2.2 定位出血区域 | 第56-57页 |
| 5.3 参数选择 | 第57-60页 |
| 5.4 实验结果与分析 | 第60-66页 |
| 5.5 本章小结 | 第66-67页 |
| 6 总结与展望 | 第67-69页 |
| 6.1 论文主要内容与结论 | 第67-68页 |
| 6.2 论文不足之处与工作展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 作者简历及读硕士学位期间的学术成果 | 第75页 |