| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 引言 | 第12页 |
| 1.2 肝脏分割的临床背景 | 第12-16页 |
| 1.2.1 肝脏的解剖结构及肝脏的八段分法简介 | 第12-14页 |
| 1.2.2 肝脏CT 增强扫描 | 第14-15页 |
| 1.2.3 肝脏分割的临床意义 | 第15-16页 |
| 1.3 结合统计和空间信息的最小监督分类算法概述 | 第16-21页 |
| 1.3.1 贝叶斯决策理论 | 第16-17页 |
| 1.3.2 半监督、全监督和无监督 | 第17-19页 |
| 1.3.3 结合空间信息的图像分类 | 第19-20页 |
| 1.3.4 贝叶斯水平集算法的思想 | 第20-21页 |
| 第二章 高斯混合模型和期望值最大化方法 | 第21-29页 |
| 2.1 高斯混合模型 | 第21-24页 |
| 2.2 期望值最大化算法 | 第24-29页 |
| 2.2.1 期望值最大化算法的一般形式 | 第24-26页 |
| 2.2.2 期望值最大化算法计算高斯混合模型的参数向量 | 第26-29页 |
| 第三章 图象上像素点间距离信息的计算方法 | 第29-48页 |
| 3.1 水平集算法简介（Level Set Method） | 第29-31页 |
| 3.2 快速行进算法（Fast Marching Method） | 第31-48页 |
| 3.2.1 简介 | 第31-32页 |
| 3.2.2 快速行进算法与水平集算法的比较 | 第32页 |
| 3.2.3 经典的二维快速行进算法 | 第32-40页 |
| 3.2.4 改进的二维快速行进算法 | 第40-45页 |
| 3.2.5 三维快速行进算法 | 第45-48页 |
| 第四章 结合统计及空间信息的肝脏分割的算法 | 第48-64页 |
| 4.1 综述 | 第48-49页 |
| 4.2 选取初始高可信点的方法 | 第49-56页 |
| 4.2.1 训练数据 | 第49-50页 |
| 4.2.2 期望值最大化算法计算参数向量 | 第50-52页 |
| 4.2.3 高可信点的选取 | 第52-56页 |
| 4.3 采用贝叶斯水平集的思想进行循环迭代的分类 | 第56-64页 |
| 4.3.1 快速行进算法进行距离变换 | 第56-61页 |
| 4.3.2 归属函数的定义 | 第61-64页 |
| 第五章 肝脏分割的实验验证与讨论 | 第64-77页 |
| 5.1 实验环境 | 第64页 |
| 5.2 高可信点选取的结果 | 第64-67页 |
| 5.3 速度图像的计算结果 | 第67-68页 |
| 5.4 距离图像的计算结果 | 第68页 |
| 5.5 分割结果 | 第68-71页 |
| 5.6 关于门静脉和肝静脉分割结果的精化 | 第71-72页 |
| 5.7 分割结果评价 | 第72-76页 |
| 5.8 分割结果总结 | 第76-77页 |
| 第六章 总结与讨论 | 第77-80页 |
| 6.1 本文工作总结 | 第77页 |
| 6.2 本文工作的临床意义 | 第77-78页 |
| 6.3 本文的创新点 | 第78-79页 |
| 6.4 未来工作的展望 | 第79-80页 |
| 参考文献 | 第80-85页 |
| 致谢 | 第85-86页 |
| 攻读学位期间发表的学术论文 | 第86-88页 |
