| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景和选题意义 | 第9-12页 |
| 1.1.1 磁共振成像技术 | 第9-10页 |
| 1.1.2 MR脑图像分割技术的应用 | 第10-12页 |
| 1.2 脑MRI分割方法综述 | 第12-16页 |
| 1.3 研究内容与章节安排 | 第16-17页 |
| 2 基于多图谱配准的分割算法的理论研究 | 第17-26页 |
| 2.1 基于多图谱配准的分割算法的提出 | 第17-18页 |
| 2.2 基于多图谱配准的分割算法的实现框架及发展现状 | 第18-25页 |
| 2.3 分割算法的评价标准 | 第25-26页 |
| 3 基于互信息的医学图像配准 | 第26-40页 |
| 3.1 医学图像配准的数学模型与基本框架 | 第26-27页 |
| 3.2 基于互信息的医学图像配准算法 | 第27-33页 |
| 3.2.1 特征空间 | 第27页 |
| 3.2.2 搜索空间 | 第27-29页 |
| 3.2.3 相似性测度 | 第29-31页 |
| 3.2.4 搜索策略 | 第31-33页 |
| 3.3 医学图像配准算法的评价标准 | 第33-34页 |
| 3.4 图像配准算法实验分析 | 第34-39页 |
| 3.4.1 实验数据 | 第34页 |
| 3.4.2 配准实验 | 第34-39页 |
| 3.5 小结 | 第39-40页 |
| 4 基于多图谱配准的联合加权融合算法 | 第40-53页 |
| 4.1 多图谱联合加权融合算法的提出 | 第40-41页 |
| 4.2 联合加权融合算法的理论基础 | 第41-43页 |
| 4.2.1 多张图谱的融合可以减少因配准产生的分割误差 | 第41-42页 |
| 4.2.2 基于局部相似性的权重计算 | 第42-43页 |
| 4.3 联合加权融合算法的实现 | 第43-47页 |
| 4.3.1 以二进制分割为例的算法实现 | 第43-45页 |
| 4.3.2 使用局部块搜索算法提高精度 | 第45-46页 |
| 4.3.3 联合加权融合算法在多标签分割中的实现 | 第46-47页 |
| 4.4 多图谱联合加权融合算法实验分析 | 第47-52页 |
| 4.5 小结 | 第52-53页 |
| 5 基于机器学习的分割校正算法 | 第53-65页 |
| 5.1 基于机器学习的分割校正算法的提出 | 第53-54页 |
| 5.2 基于机器学习的分割校正算法的理论基础 | 第54-58页 |
| 5.2.1 机器学习的相关基础概念 | 第54-56页 |
| 5.2.2 校正算法的理论框架 | 第56-58页 |
| 5.3 基于机器学习的分割校正算法实现 | 第58-62页 |
| 5.3.1 提取特征 | 第59-60页 |
| 5.3.2 基于Adaboost算法的分类器训练 | 第60-62页 |
| 5.3.3 使用训练好的分类器进行校正 | 第62页 |
| 5.4 基于机器学习的分割校正算法的实验分析 | 第62-64页 |
| 5.5 小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-73页 |