摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
第一章 绪论 | 第13-22页 |
1.1 研究背景与意义 | 第13-14页 |
1.2 图像分割概述 | 第14-17页 |
1.2.1 图像分割的定义和方法 | 第14-16页 |
1.2.2 医学图像分割的国内外研究现状和发展趋势 | 第16-17页 |
1.3 可拓理论简述 | 第17-20页 |
1.3.1 可拓学起源及发展 | 第17-19页 |
1.3.2 可拓检测及其国内外研究现状 | 第19-20页 |
1.4 主要的研究内容 | 第20-21页 |
1.5 本章小结 | 第21-22页 |
第二章 基于统计学习理论的支持向量机 | 第22-32页 |
2.1 统计学习理论 | 第22-25页 |
2.1.1 VC维 | 第22-23页 |
2.1.2 推广性的界限 | 第23页 |
2.1.3 结构化风险最小 | 第23-25页 |
2.2 二分类支持向量机 | 第25-27页 |
2.2.1 线性可分 | 第25-27页 |
2.2.2 线性不可分 | 第27页 |
2.3 核函数 | 第27-30页 |
2.3.1 核函数的基本性质 | 第27-28页 |
2.3.2 核函数分类 | 第28-30页 |
2.4 多类分类支持向量机 | 第30页 |
2.5 本章小结 | 第30-32页 |
第三章 可拓检测的基本原理 | 第32-45页 |
3.1 物元 | 第32-34页 |
3.1.1 物元的概念 | 第32-33页 |
3.1.2 物元三要素 | 第33页 |
3.1.3 复合元和基元 | 第33-34页 |
3.2 可拓理论中的可拓变换 | 第34-35页 |
3.2.1 可拓变换的概念 | 第34页 |
3.2.2 可拓变换的四种基本变换方式 | 第34-35页 |
3.3 可拓集合和关联函数 | 第35-39页 |
3.3.1 可拓集合的概念 | 第35-36页 |
3.3.2 可拓集合的变换 | 第36-37页 |
3.3.3 关联函数的基本概念 | 第37-39页 |
3.4 可拓检测的基本概念和基本原理 | 第39-44页 |
3.4.1 可拓检测的基本概念 | 第39页 |
3.4.2 可拓检测的基本原理 | 第39-42页 |
3.4.3 可测物元与不可测物元的关系研究 | 第42-43页 |
3.4.4 可拓检测技术的框架流程 | 第43-44页 |
3.5 本章小结 | 第44-45页 |
第四章 颅内血肿CT图像的预处理及初步分割 | 第45-56页 |
4.1 图像灰度化 | 第45-47页 |
4.1.1 最大值法 | 第45页 |
4.1.2 平均值法 | 第45-46页 |
4.1.3 加权平均法 | 第46-47页 |
4.2 CT医学图像的相关知识 | 第47-49页 |
4.2.1 CT设备成像的原理 | 第47页 |
4.2.2 人体组织CT值 | 第47-49页 |
4.3 颅骨的提取 | 第49-52页 |
4.3.1 阈值分割 | 第49-50页 |
4.3.2 大脑颅骨部分的提取 | 第50-52页 |
4.4 颅内组织提取 | 第52-55页 |
4.4.1 区域生长法 | 第52页 |
4.4.2 区域生长的原理 | 第52-53页 |
4.4.3 颅内组织提取 | 第53-55页 |
4.5 本章小结 | 第55-56页 |
第五章 颅内血肿图像分割算法的实现及实验结果分析 | 第56-74页 |
5.1 颅内血肿CT图像及样本的获取 | 第56-57页 |
5.2 本文使用工具的介绍 | 第57-58页 |
5.3 支持向量机的医学图像分割算法 | 第58-66页 |
5.3.1 样本数据归一化 | 第58页 |
5.3.2 支持向量机参数的选择和设置 | 第58-64页 |
5.3.3 训练样本获得分类器 | 第64-65页 |
5.3.4 SVM分割制算法实验与分析 | 第65-66页 |
5.4 基于可拓检测物元变换方法的分割结果优化处理 | 第66-70页 |
5.4.1 物元建模 | 第66-67页 |
5.4.2 物元变换的面积计算及结果优化 | 第67-69页 |
5.4.3 颅内血肿CT序列的分割实验 | 第69-70页 |
5.5 实验结果精度分析 | 第70-73页 |
5.6 本章小结 | 第73-74页 |
结论及展望 | 第74-76页 |
参考文献 | 第76-81页 |
攻读学位期间发表的论文 | 第81-82页 |
攻读学位期间参与的主要科研项目 | 第82-84页 |
致谢 | 第84页 |