| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 MRI 图像病灶分析的需求 | 第11-12页 |
| 1.2 聚类分析算法 | 第12-15页 |
| 1.2.1 聚类分析及分类 | 第12-13页 |
| 1.2.2 模糊聚类算法及其发展 | 第13页 |
| 1.2.3 模糊集合 | 第13-14页 |
| 1.2.4 模糊聚类 | 第14-15页 |
| 1.3 医学图像融合算法 | 第15-17页 |
| 1.3.1 图像融合的研究对象和基本方法 | 第15页 |
| 1.3.2 图像融合的主要技术 | 第15-17页 |
| 1.4 本文主要内容及全文安排 | 第17-18页 |
| 第二章 基于 FCM 的图像分割算法 | 第18-29页 |
| 2.1 引言 | 第18-19页 |
| 2.2 均值聚类算法 | 第19-26页 |
| 2.2.1 硬 C 均值聚类算法(HCM) | 第19-20页 |
| 2.2.2 模糊 C 均值聚类算法（FCM）基本原理[5] | 第20-26页 |
| 2.3 FCM 的算法实现 | 第26页 |
| 2.4 FCM 算法的改进 | 第26-27页 |
| 2.5 小结 | 第27-29页 |
| 第三章 基于 DS 理论的图像融合算法 | 第29-45页 |
| 3.1 引言 | 第29-30页 |
| 3.2 DS 理论基本原理 | 第30-39页 |
| 3.2.1 识别框架与基本概率分配函数 | 第30-32页 |
| 3.2.2 信任函数与似然函数 | 第32-33页 |
| 3.2.3 单命题与复合命题 | 第33-37页 |
| 3.2.4 DS 理论的合成规则 | 第37-39页 |
| 3.3 DS 理论的证据冲突及解决方案 | 第39-40页 |
| 3.4 FCM-DS 合成图像实验 | 第40-44页 |
| 3.4.1 改变图像灰度分布 | 第41-43页 |
| 3.4.2 改变噪声方差 | 第43-44页 |
| 3.5 小结 | 第44-45页 |
| 第四章 FCM-DS 在乳腺 MR 图像病灶分割中的应用 | 第45-52页 |
| 4.1 引言 | 第45页 |
| 4.2 乳腺 MRI 诊断 | 第45-47页 |
| 4.3 FCM-DS 算法用于乳腺 MRI 分割 | 第47-51页 |
| 4.3.1 弥散图像与 DCE 图像 | 第48-49页 |
| 4.3.2 T1 图像与 DCE 图像 | 第49-51页 |
| 4.4 小结 | 第51-52页 |
| 第五章 FCM-DS 在脑部 MR 图像病灶分割中的应用 | 第52-62页 |
| 5.1 引言 | 第52页 |
| 5.2 MRI 脑梗塞诊断 | 第52-54页 |
| 5.3 脑梗塞 MRI 图像的 FCM-DS 分割 | 第54-60页 |
| 5.3.1 MR 脑梗塞图像的 FCM 处理 | 第55页 |
| 5.3.2 FCM-DS 在脑梗塞 MRI 的分割 | 第55-60页 |
| 5.4 小结 | 第60-62页 |
| 第六章 工作总结及展望 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间录用和发表的论文 | 第69页 |
