| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 脑肿瘤分割算法的国内外研究现状 | 第12-13页 |
| 1.2.2 脑肿瘤分类算法的国内外研究现状 | 第13-14页 |
| 1.3 脑肿瘤MRI的医学影像知识分析 | 第14-16页 |
| 1.3.1 肿瘤部位 | 第14页 |
| 1.3.2 肿瘤密度、信号 | 第14-15页 |
| 1.3.3 肿瘤的强化 | 第15页 |
| 1.3.4 肿瘤的数目及边缘 | 第15页 |
| 1.3.5 瘤周水肿 | 第15页 |
| 1.3.6 占位征象 | 第15-16页 |
| 1.4 本文研究内容和组织结构 | 第16-19页 |
| 第二章 脑肿瘤图像相关分割与分类算法 | 第19-29页 |
| 2.1 脑肿瘤MR图像分割难点 | 第19-20页 |
| 2.2 MR图像相关分割算法 | 第20-25页 |
| 2.2.1 基于阈值的方法 | 第20页 |
| 2.2.2 基于边缘的分割方法 | 第20-21页 |
| 2.2.3 基于区域的分割方法 | 第21页 |
| 2.2.4 基于图论的分割方法 | 第21-23页 |
| 2.2.5 基于能量泛函的分割方法 | 第23页 |
| 2.2.6 统计学方法 | 第23-25页 |
| 2.2.7 其他方法 | 第25页 |
| 2.3 支持向量机基本原理 | 第25-28页 |
| 2.3.1 线性可分问题 | 第25-27页 |
| 2.3.2 线性不可分问题 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于非参数拟合与形态学结合的脑组织提取算法研究 | 第29-43页 |
| 3.1 基于灰度直方图拟合的阈值选取 | 第29-32页 |
| 3.2 图像的形态学处理 | 第32-36页 |
| 3.2.1 膨胀和腐蚀 | 第32-33页 |
| 3.2.2 标记连通区域 | 第33-34页 |
| 3.2.3 凸包算法详解 | 第34-36页 |
| 3.3 改进的脑组织提取算法流程图 | 第36-37页 |
| 3.4 实验结果及对比分析 | 第37-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 改进的FCM与水平集结合的脑肿瘤提取算法研究 | 第43-61页 |
| 4.1 空间模糊聚类算法 | 第43-48页 |
| 4.1.1 k-means算法 | 第43-44页 |
| 4.1.2 标准FCM算法 | 第44-45页 |
| 4.1.3 加入空间信息的FCM算法 | 第45-48页 |
| 4.2 水平集分割算法 | 第48-55页 |
| 4.2.1 曲线演化理论 | 第48-49页 |
| 4.2.2 基于水平集方法的曲线演化 | 第49-50页 |
| 4.2.3 水平集方法的数值解 | 第50-51页 |
| 4.2.4 李纯明模型 | 第51-54页 |
| 4.2.5 水平集窄带法 | 第54-55页 |
| 4.3 一种新的模糊水平集算法 | 第55-58页 |
| 4.4 肿瘤提取及结果分析 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 基于PSO优化SVM的脑肿瘤分类算法 | 第61-81页 |
| 5.1 ROI特征分析及特征评判标准 | 第61-62页 |
| 5.2 脑肿瘤图像的特征提取 | 第62-73页 |
| 5.2.1 基于灰度共生矩阵的特征提取 | 第62-65页 |
| 5.2.2 形态特征提取 | 第65-68页 |
| 5.2.3 高斯-拉普拉斯算子 | 第68-70页 |
| 5.2.4 基于Gabor的纹理特征 | 第70-72页 |
| 5.2.5 基于灰度信息的特征 | 第72-73页 |
| 5.3 基于PCA算法对特征数据降维处理 | 第73-75页 |
| 5.4 PSO参数优化的SVM模型 | 第75-78页 |
| 5.4.1 粒子群优化算法 | 第75-76页 |
| 5.4.2 PSO算法优化SVM基本流程 | 第76-77页 |
| 5.4.3 PSO-SVM算法参数分析 | 第77-78页 |
| 5.5 实验结果及对比分析 | 第78-79页 |
| 5.6 本章小结 | 第79-81页 |
| 第六章 总结与展望 | 第81-83页 |
| 6.1 总结 | 第81页 |
| 6.2 展望 | 第81-83页 |
| 参考文献 | 第83-89页 |
| 致谢 | 第89页 |