| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17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 脑瘫患儿MR图像分析 | 第13-15页 |
| 1.3.1 脑瘫患儿MR医学表现 | 第13-14页 |
| 1.3.2 脑瘫患儿MR辅助诊断相关问题 | 第14-15页 |
| 1.4 本论文研究内容和组织结构 | 第15-17页 |
| 第2章 MR脑部图像处理方法概述 | 第17-25页 |
| 2.1 MR图像的预处理 | 第17-18页 |
| 2.2 MR图像分割算法概述 | 第18-22页 |
| 2.2.1 基于阈值的分割算法 | 第18页 |
| 2.2.2 基于聚类技术的分割算法 | 第18-20页 |
| 2.2.3 基于形变模型的分割算法 | 第20页 |
| 2.2.4 基于随机场模型的分割算法 | 第20-21页 |
| 2.2.5 其他的分割算法 | 第21-22页 |
| 2.3 小儿脑部MR图像分割难点分析 | 第22-23页 |
| 2.3.1 小儿脑部MR图像特点 | 第22-23页 |
| 2.3.2 小儿脑部MR图像分割方法概述 | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 第3章 基于偏微分方程MR去噪算法研究 | 第25-39页 |
| 3.1 噪声的类型及数学模型 | 第25-26页 |
| 3.2 图像常用的去噪算法概述 | 第26-28页 |
| 3.2.1 中值滤波 | 第26-27页 |
| 3.2.2 线性滤波 | 第27页 |
| 3.2.3 维纳滤波 | 第27-28页 |
| 3.3 基于偏微分方程去噪模型 | 第28-32页 |
| 3.3.1 热传导方程 | 第29页 |
| 3.3.2 P-M模型 | 第29-30页 |
| 3.3.3 Weickert结构张量模型 | 第30-32页 |
| 3.4 改进的Weickert结构张量模型 | 第32-33页 |
| 3.5 实验结果分析 | 第33-37页 |
| 3.6 本章小结 | 第37-39页 |
| 第4章 基于EM改进的MRF的脑组织分割算法研究 | 第39-55页 |
| 4.1 马尔可夫随机场模型的相关概念 | 第39-42页 |
| 4.1.1 MRF邻域系统和集簇 | 第40-41页 |
| 4.1.2 MARKOV和GIBBS分布 | 第41-42页 |
| 4.2 MRF模型图像分割框架 | 第42-45页 |
| 4.2.1 标号场先验模型的建立 | 第43-44页 |
| 4.2.2 特征场模型的建立 | 第44-45页 |
| 4.3 基于EM算法与非参数估计改进的马尔可夫图像分割算法 | 第45-50页 |
| 4.3.1 EM算法与高斯混合模型 | 第45-47页 |
| 4.3.2 PARZEN窗非参数估计 | 第47页 |
| 4.3.3 改进的马尔可夫MR脑部图像分割算法研究 | 第47-48页 |
| 4.3.4 算法的实现流程和步骤 | 第48-50页 |
| 4.4 实验结果分析 | 第50-53页 |
| 4.5 本章小结 | 第53-55页 |
| 第5章 基于交互式分割算法胼胝体病灶区域的提取 | 第55-71页 |
| 5.1 脑瘫患儿医学特点及分割方法研究 | 第55-56页 |
| 5.2 基于GraphCut算法的研究 | 第56-59页 |
| 5.2.1 GraphCut基本理论 | 第56-59页 |
| 5.2.2 最大流最小割 | 第59页 |
| 5.2.3 GraphCut算法的分割框架 | 第59页 |
| 5.3 基于SLIC及非参数估计的GraphCut算法研究 | 第59-63页 |
| 5.3.1 图像的预分割 | 第60-61页 |
| 5.3.2 基于SLIC及非参数估计的GraphCut算法 | 第61-62页 |
| 5.3.3 实验结果分析 | 第62-63页 |
| 5.4 基于GrowCut的分割算法的研究 | 第63-70页 |
| 5.4.1 GrowCut算法概述 | 第64-65页 |
| 5.4.2 基于GrowCut的胼胝体区域分割的改进算法 | 第65-68页 |
| 5.4.3 实验结果分析 | 第68-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第6章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77页 |
