出血性脑卒中MR图像处理算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题的研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 脑部MRI的医学影像知识分析 | 第13-16页 |
| 1.3.1 MRI简介 | 第13-14页 |
| 1.3.2 脑部MRI的类型 | 第14-15页 |
| 1.3.3 出血性脑卒中的MRI表现 | 第15-16页 |
| 1.4 本论文研究内容和组织结构 | 第16-19页 |
| 第2章 MR图像处理难点及相关分割算法 | 第19-27页 |
| 2.1 MR图像分割难点 | 第19-21页 |
| 2.1.1 MR图像的偏移场 | 第19-20页 |
| 2.1.2 MR图像的噪声 | 第20-21页 |
| 2.2 图像分割的定义 | 第21-22页 |
| 2.3 MR图像相关分割算法 | 第22-26页 |
| 2.3.1 基于阈值的方法 | 第22-23页 |
| 2.3.2 基于区域增长的方法 | 第23-24页 |
| 2.3.3 基于分类的方法 | 第24页 |
| 2.3.4 基于聚类的方法 | 第24-25页 |
| 2.3.5 基于马尔可夫随机场模型的方法 | 第25页 |
| 2.3.6 基于人工神经网络的方法 | 第25-26页 |
| 2.3.7 可变模型的方法 | 第26页 |
| 2.3.8 其他方法 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于非局部的MR图像去噪算法 | 第27-51页 |
| 3.1 噪声来源及数学模型 | 第27-29页 |
| 3.1.1 噪声及其分类 | 第27-28页 |
| 3.1.2 噪声模型 | 第28-29页 |
| 3.2 常用去噪算法 | 第29-36页 |
| 3.2.1 均值滤波 | 第29-30页 |
| 3.2.2 中值滤波 | 第30-31页 |
| 3.2.3 Wiener滤波 | 第31-32页 |
| 3.2.4 基于小波的去噪方法 | 第32-35页 |
| 3.2.5 TV去噪 | 第35-36页 |
| 3.3 非局部均值去噪算法 | 第36-40页 |
| 3.4 改进的自适应非局部去噪算法 | 第40-45页 |
| 3.4.1 噪声估计 | 第40-44页 |
| 3.4.2 自适应非局部去噪算法 | 第44-45页 |
| 3.5 去噪算法评价标准 | 第45-46页 |
| 3.5.1 主观准则 | 第45页 |
| 3.5.2 客观准则 | 第45-46页 |
| 3.6 实验结果分析 | 第46-50页 |
| 3.7 本章小结 | 第50-51页 |
| 第4章 基于非局部的模糊C均值分割算法 | 第51-67页 |
| 4.1 聚类及模糊理论 | 第51-56页 |
| 4.1.1 聚类分析 | 第51-52页 |
| 4.1.2 模糊理论 | 第52-54页 |
| 4.1.3 图像分割的模糊C均值聚类算法 | 第54-56页 |
| 4.2 鲁棒模糊C均值聚类算法 | 第56-59页 |
| 4.3 改进的非局部的模糊聚类算法 | 第59-61页 |
| 4.4 算法处理结果及对比分析 | 第61-65页 |
| 4.4.1 图像分割效果比较标准 | 第61-62页 |
| 4.4.2 实验结果及对比分析 | 第62-65页 |
| 4.5 本章小结 | 第65-67页 |
| 第5章 FCM与水平集结合的病灶提取算法研究 | 第67-85页 |
| 5.1 活动轮廓模型 | 第67-72页 |
| 5.1.1 参数活动轮廓 | 第68-70页 |
| 5.1.2 几何活动轮廓 | 第70-72页 |
| 5.2 曲线演化理论与水平集方法 | 第72-76页 |
| 5.2.1 曲线演化理论 | 第72-73页 |
| 5.2.2 水平集方法的曲线演化 | 第73-74页 |
| 5.2.3 符号距离函数 | 第74页 |
| 5.2.4 水平集的数值解法 | 第74-76页 |
| 5.3 李纯明水平集模型 | 第76-80页 |
| 5.4 基于FCM的初始轮廓确定 | 第80-81页 |
| 5.5 病灶提取算法及结果分析 | 第81-84页 |
| 5.6 本章小结 | 第84-85页 |
| 第6章 总结与展望 | 第85-87页 |
| 6.1 对本文工作的总结 | 第85页 |
| 6.2 对以后工作的展望 | 第85-87页 |
| 参考文献 | 第87-93页 |
| 致谢 | 第93页 |
