| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 医学图像研究意义及背景 | 第9-10页 |
| 1.2 图割理论的发展及其国内外研究概况 | 第10-11页 |
| 1.3 本文组织结构及相关内容 | 第11-13页 |
| 第二章 脑部MRI分割方法概述 | 第13-22页 |
| 2.1 MR图像常用的分割方法 | 第13-18页 |
| 2.1.1 聚类算法 | 第13-15页 |
| 2.1.2 基于形变模型的分割方法 | 第15-16页 |
| 2.1.3 基于区域生长的分割方法 | 第16-17页 |
| 2.1.4 基于图谱的MRI分割方法 | 第17-18页 |
| 2.1.5 其他分割MRI算法 | 第18页 |
| 2.2 MRI分割方法的评价 | 第18-21页 |
| 2.3 小结 | 第21-22页 |
| 第三章 graph cut技术的理论及其应用 | 第22-28页 |
| 3.1 Graph Cut的基本理论 | 第22-27页 |
| 3.1.1 能量函数的构造 | 第22-24页 |
| 3.1.2 s-t网络图 | 第24-26页 |
| 3.1.3 最大流/最小割 | 第26-27页 |
| 3.2 小结 | 第27-28页 |
| 第四章 基于K-means和Graph Cut的脑部MRI分割算法 | 第28-38页 |
| 4.1 引言 | 第28页 |
| 4.2 相关工作 | 第28-29页 |
| 4.3 改进Graph Cut算法—KMGC算法 | 第29-30页 |
| 4.4 实验与分析 | 第30-37页 |
| 4.4.1 实验环境 | 第30页 |
| 4.4.2 实验数据 | 第30-31页 |
| 4.4.3 实验结果与分析 | 第31-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第五章 基于自适应模糊连接度和graph cut算法的脑部MRI分割算法 | 第38-51页 |
| 5.1 引言 | 第38-39页 |
| 5.2 模糊连接度理论 | 第39-43页 |
| 5.2.1 传统模糊连接度算法 | 第39-40页 |
| 5.2.2 改进的模糊亲和力 | 第40-41页 |
| 5.2.3 AFC算法 | 第41-43页 |
| 5.3 基于AFCGC的交互式尾状核分割 | 第43-45页 |
| 5.3.1 预处理阶段 | 第43-44页 |
| 5.3.2 改进图割算法-AFCGC算法 | 第44-45页 |
| 5.4 实验结果与分析 | 第45-50页 |
| 5.4.1 实验环境 | 第45页 |
| 5.4.2 实验数据 | 第45页 |
| 5.4.3 实验与分析 | 第45-50页 |
| 5.5 小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-52页 |
| 6.1 本文总结 | 第51页 |
| 6.2 工作展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 附录 本人在硕士期间的研究成果 | 第56-57页 |
| 致谢 | 第57-59页 |