支持向量机及其在医学图像分割中的应用
| 摘 要 | 第1-6页 |
| Abstract | 第6-11页 |
| 1 绪 论 | 第11-26页 |
| ·引言 | 第11-12页 |
| ·医学图像分割研究现状 | 第12-17页 |
| ·支持向量机研究进展 | 第17-22页 |
| ·本文的主要工作与内容安排 | 第22-26页 |
| 2 统计学习理论与支持向量机 | 第26-41页 |
| ·机器学习的基本问题 | 第26-28页 |
| ·统计学习理论 | 第28-31页 |
| ·支持向量机原理 | 第31-37页 |
| ·多类问题的支持向量机 | 第37-40页 |
| ·本章小结 | 第40-41页 |
| 3 基于传统支持向量机的医学图像分割 | 第41-65页 |
| ·引言 | 第41-42页 |
| ·图像特征提取及归一化 | 第42-47页 |
| ·训练样本的选取 | 第47-48页 |
| ·一种新的高斯核模型参数的确定方法 | 第48-51页 |
| ·实验结果及分析 | 第51-63页 |
| ·本章小结 | 第63-65页 |
| 4 基于紧密度的模糊支持向量机方法 | 第65-77页 |
| ·引言 | 第65-66页 |
| ·基于紧密度的模糊支持向量机构造方法 | 第66-72页 |
| ·实验结果及分析 | 第72-76页 |
| ·本章小结 | 第76-77页 |
| 5 支持向量机方法的输出概率建模 | 第77-100页 |
| ·引言 | 第77-78页 |
| ·输出概率建模的直接拟合方法 | 第78-82页 |
| ·多类问题中输出概率建模的两种新方法 | 第82-87页 |
| ·常用的几种概率输出拟合函数 | 第87-90页 |
| ·实验结果及分析 | 第90-99页 |
| ·本章小结 | 第99-100页 |
| 6 快速支持向量机方法 | 第100-107页 |
| ·引言 | 第100-101页 |
| ·提高支持向量机训练速度的 SVM-CM 方法 | 第101-102页 |
| ·实验结果及分析 | 第102-106页 |
| ·本章小结 | 第106-107页 |
| 7 MR 脑图像分割实例 | 第107-122页 |
| ·实验数据准备 | 第107页 |
| ·剔除非脑组织 | 第107-112页 |
| ·交互式样本选取 | 第112-113页 |
| ·实验结果与分析 | 第113-121页 |
| ·本章小结 | 第121-122页 |
| 8 全文总结 | 第122-127页 |
| ·本文所做的研究工作 | 第122-125页 |
| ·本文的创新之处 | 第125-126页 |
| ·进一步的研究方向 | 第126-127页 |
| 致 谢 | 第127-128页 |
| 参考文献 | 第128-139页 |
| 附录 作者在攻读博士学位期间发表的论文 | 第139页 |
