| 1 绪论 | 第1-14页 |
| 1．1 课题背景及意义 | 第8页 |
| 1．2 医学超声诊断概述及应用现状 | 第8-12页 |
| 1．2．1 医学超声诊断概述 | 第8-9页 |
| 1．2．2 超声成像简介 | 第9-10页 |
| 1．2．3 超声成像基本原理 | 第10-12页 |
| 1．2．4 B超诊断的临床应用 | 第12页 |
| 1．3 本文工作及内容安排 | 第12-14页 |
| 2 医学超声图像分割的原理与方法 | 第14-19页 |
| 2．1 图像分割概述 | 第14-15页 |
| 2．2 主要医学超声图像分割方法及其研究进展 | 第15-19页 |
| 2．2．1 传统的图像分割方法 | 第15-16页 |
| 2．2．1．1 边缘检测法 | 第15页 |
| 2．2．1．2 基于区域的分割方法 | 第15-16页 |
| 2．2．2 现代图像分割方法 | 第16-19页 |
| 2．2．2．1 基于动态规划的分割方法 | 第16-17页 |
| 2．2．2．2 形变模型法 | 第17-18页 |
| 2．2．2．3 其它方法 | 第18-19页 |
| 3 几种主要图像分割方法在医学超声图像上的应用 | 第19-42页 |
| 3．1 最大类间方差法 | 第19-23页 |
| 3．2 最大熵方法 | 第23-26页 |
| 3．3 C均值聚类方法 | 第26-30页 |
| 3．3．1 硬限C均值方法 | 第26-28页 |
| 3．3．2 模糊C均值方法 | 第28-30页 |
| 3．4 Hopfield神经网络方法 | 第30-35页 |
| 3．4．1 Hopfield神经网络 | 第30-31页 |
| 3．4．2 基于WTA竞争学习机制的Hopfield神经网络方法 | 第31-35页 |
| 3．5 流域分割方法 | 第35-39页 |
| 3．6 动态规划方法 | 第39-41页 |
| 3．7 总结 | 第41-42页 |
| 4 基于脉冲耦合神经网络的图像分割方法 | 第42-52页 |
| 4．1 脉冲耦合神经网络概述 | 第42页 |
| 4．2 脉冲耦合神经网络在图像分割上的应用现状 | 第42-43页 |
| 4．3 脉冲耦合神经网络基本原理 | 第43-45页 |
| 4．4 一种基于简化脉冲耦合神经网络的自适应图像自动分割方法 | 第45-48页 |
| 4．4．1 基本思想 | 第45-46页 |
| 4．4．2 参数确定方法 | 第46-47页 |
| 4．4．3 算法实施步骤 | 第47-48页 |
| 4．5 本文算法的实验结果 | 第48-50页 |
| 4．6 算法总结与讨论 | 第50-52页 |
| 5 一种新的基于脉冲耦合神经网络的医学超声图像处理方法 | 第52-56页 |
| 5．1 脉冲耦合神经网络应用于医学超声图像处理的意义 | 第52页 |
| 5．2 一种新的基于脉冲耦合神经网络的医学超声图像增强方法 | 第52-53页 |
| 5．3 本文算法的实验结果 | 第53-54页 |
| 5．4 算法总结与讨论 | 第54-56页 |
| 6 结论与展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间完成的论文(著) | 第60-61页 |
| 致谢 | 第61-62页 |
