| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 1 绪论 | 第7-11页 |
| ·课题的背景及意义 | 第7-8页 |
| ·医学图像分割研究的背景及意义 | 第7页 |
| ·医学图像分割研究的国内外现状 | 第7-8页 |
| ·支持向量机方法的提出及其研究现状 | 第8-9页 |
| ·本文的主要研究意义及内容 | 第9-11页 |
| ·本文的研究意义 | 第9-10页 |
| ·本文的主要内容 | 第10-11页 |
| 2 支持向量机的基本理论 | 第11-19页 |
| ·统计学习理论 | 第11-13页 |
| ·机器学习的基本方法和问题 | 第11-12页 |
| ·统计学习理论 | 第12-13页 |
| ·支持向量机理论 | 第13-17页 |
| ·支持向量机原理及特点 | 第13-15页 |
| ·最小二乘支持向量机原理 | 第15-17页 |
| ·最小二乘支持向量机多元分类模型 | 第17页 |
| ·本章小结 | 第17-19页 |
| 3 基于最小二乘支持向量机的医学图像分割研究 | 第19-33页 |
| ·医学图像分割方法简介 | 第19-21页 |
| ·核磁共振脑图像成像特点 | 第19页 |
| ·医学图像分割的方法 | 第19-21页 |
| ·基于最小二乘支持向量机的MRI脑图像分割实验 | 第21-32页 |
| ·训练样本的选取 | 第21-24页 |
| ·基于核主成分分析(KPCA)的特征提取及归一化 | 第24-26页 |
| ·基于最小二乘支持向量机的MRI脑图像分割步骤 | 第26-29页 |
| ·图像分割实验结果分析 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 4 基于水平集曲线演化的MRI脑图像分割 | 第33-45页 |
| ·水平集的基本理论 | 第33-36页 |
| ·曲线演化的水平集描述 | 第33-34页 |
| ·水平集方程的数值计算 | 第34-35页 |
| ·水平集方法实现中的问题 | 第35-36页 |
| ·基于水平集曲线演化的图像分割 | 第36-41页 |
| ·基于水平集求解简化Mumford-Shah模型的C-V方法 | 第36-37页 |
| ·C-V图像分割方程的数值解法 | 第37-38页 |
| ·C-V方法进行图像分割实验 | 第38-41页 |
| ·基于支持向量机和水平集方法的MRI脑图像分割实验 | 第41-42页 |
| ·两种方法结合的意义 | 第41页 |
| ·图像分割步骤 | 第41-42页 |
| ·实验结果分析 | 第42页 |
| ·本章小结 | 第42-45页 |
| 5 总结与展望 | 第45-47页 |
| ·总结 | 第45页 |
| ·下一步工作展望 | 第45-47页 |
| 致谢 | 第47-49页 |
| 参考文献 | 第49-51页 |