| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 选题背景及意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 心脏系统 | 第12页 |
| 1.2 右心室图像分割的研究价值 | 第12-13页 |
| 1.3 目前右心室图像分割研究现状 | 第13-15页 |
| 1.3.1 研究现状 | 第13-14页 |
| 1.3.2 心脏分割难点 | 第14-15页 |
| 1.4 机器学习 | 第15-18页 |
| 1.4.1 机器学习发展历史 | 第15-16页 |
| 1.4.2 机器学习研究现状 | 第16-17页 |
| 1.4.3 机器学习应用步骤 | 第17-18页 |
| 1.5 本文研究内容和结构安排 | 第18-20页 |
| 第2章 传统方法的右心室磁共振图像分割与实验 | 第20-34页 |
| 2.1 图像分割的概念 | 第20-21页 |
| 2.2 基于阈值的分割方法 | 第21-23页 |
| 2.3 区域生长分割法 | 第23-27页 |
| 2.3.1 连接门限分割法 | 第23-24页 |
| 2.3.2 邻域连接分割法 | 第24-25页 |
| 2.3.3 置信连接分割法 | 第25-26页 |
| 2.3.4 孤立连接分割法 | 第26-27页 |
| 2.4 基于K-Means的聚类分割方法 | 第27-30页 |
| 2.4.1 K-Means聚类算法的基本原理 | 第27-29页 |
| 2.4.2 K-Means聚类算法分割步骤 | 第29页 |
| 2.4.3 K-Means聚类算法分割结果以及不足 | 第29-30页 |
| 2.5 基于阈值水平集的分割方法 | 第30-31页 |
| 2.6 本章小结 | 第31-34页 |
| 第3章 基于K-SVD字典学习的右心室磁共振图像分割方法 | 第34-54页 |
| 3.1 基于K-SVD的分割框架 | 第34-36页 |
| 3.2 图像特征和特征提取 | 第36-43页 |
| 3.2.1 图像特征 | 第36-37页 |
| 3.2.2 纹理特征分析 | 第37-38页 |
| 3.2.3 灰度共生矩阵和小波变换 | 第38-43页 |
| 3.3 稀疏分解 | 第43-49页 |
| 3.3.1 信号的稀疏表示 | 第43-45页 |
| 3.3.2 压缩感知 | 第45-46页 |
| 3.3.3 稀疏分解算法 | 第46-49页 |
| 3.4 字典学习 | 第49-53页 |
| 3.4.1 最佳方向方法 | 第50-51页 |
| 3.4.2 K-SVD字典学习 | 第51-52页 |
| 3.4.3 在线字典学习 | 第52-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第4章 基于K-SVD字典学习的右心室图像精准分割实验 | 第54-68页 |
| 4.1 实验数据 | 第54-57页 |
| 4.2 实验框架 | 第57-58页 |
| 4.3 训练集图像特征提取 | 第58-60页 |
| 4.3.1 灰度共生矩阵提取特征 | 第58-59页 |
| 4.3.2 小波特征提取 | 第59-60页 |
| 4.4 字典训练和稀疏分解 | 第60-63页 |
| 4.4.1 K-SVD字典学习和OMP稀疏分解 | 第60-62页 |
| 4.4.2 聚类标记实现分割 | 第62-63页 |
| 4.5 实验结果分析 | 第63-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第5章 总结与展望 | 第68-70页 |
| 5.1 工作总结 | 第68-69页 |
| 5.2 工作展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73页 |
