| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-7页 |
| 1 绪论 | 第11-23页 |
| 1.1 医学图像分割简述及研究意义 | 第11-12页 |
| 1.2 国内外医学图像分割的研究现状 | 第12-20页 |
| 1.3 本文研究内容 | 第20-22页 |
| 1.4 本文组织结构 | 第22-23页 |
| 2 基于形变模型的分割方法 | 第23-39页 |
| 2.1 基本概念 | 第23-24页 |
| 2.2 水平集 | 第24-27页 |
| 2.2.1 水平集曲线演化 | 第25-26页 |
| 2.2.2 水平集函数的表示及初始化 | 第26-27页 |
| 2.3 有限差分数值逼近 | 第27-28页 |
| 2.4 变分水平集 | 第28-32页 |
| 2.4.1 变分原理 | 第28-29页 |
| 2.4.2 梯度下降法 | 第29页 |
| 2.4.3 变分水平集方法 | 第29-32页 |
| 2.5 几个基于形变模型的分割方法 | 第32-37页 |
| 2.5.1 CV模型 | 第32-33页 |
| 2.5.2 无需重新初始化的水平集模型 | 第33-35页 |
| 2.5.3 RSF模型 | 第35-37页 |
| 2.6 本章小结 | 第37-39页 |
| 3 基于NMF的肝脏肿瘤分割方法 | 第39-53页 |
| 3.1 引言 | 第39页 |
| 3.2 方法总览 | 第39-40页 |
| 3.3 3D形变肿瘤分割模型 | 第40-46页 |
| 3.3.1 局部累积光谱直方图(LCSH) | 第40-42页 |
| 3.3.2 基于NMF的形变模型 | 第42-43页 |
| 3.3.3 基于FCN的形变模型自动初始化 | 第43-46页 |
| 3.4 算法实现 | 第46-47页 |
| 3.5 实验和结果 | 第47-52页 |
| 3.5.1 数据集 | 第47-48页 |
| 3.5.2 量化评价指标 | 第48-49页 |
| 3.5.3 实验结果和分析 | 第49-52页 |
| 3.6 本章小结 | 第52-53页 |
| 4 基于几何形态学先验和低层图像特征的肝脏分割方法 | 第53-77页 |
| 4.1 引言 | 第53-54页 |
| 4.2 方法总览 | 第54-55页 |
| 4.3 方法详述 | 第55-65页 |
| 4.3.1 形状对齐 | 第55-57页 |
| 4.3.2 统计形状扩展模型 | 第57-59页 |
| 4.3.3 全局灰度高斯统计分析和局部增强统计特征 | 第59-61页 |
| 4.3.4 分割能量函数 | 第61-65页 |
| 4.4 算法实施和实验结果 | 第65-72页 |
| 4.4.1 能量函数最小化 | 第65-66页 |
| 4.4.2 轮廓修正 | 第66-68页 |
| 4.4.3 数据库 | 第68页 |
| 4.4.4 实验结果 | 第68-72页 |
| 4.5 分析讨论 | 第72-75页 |
| 4.5.1 2D分割方法 | 第72-73页 |
| 4.5.2 算法初始和区域选择 | 第73页 |
| 4.5.3 算法性能 | 第73-74页 |
| 4.5.4 算法局限 | 第74-75页 |
| 4.6 本章小结 | 第75-77页 |
| 5 融合低层和高层信息的B样条全局优化分割方法 | 第77-105页 |
| 5.1 引言 | 第77-78页 |
| 5.2 现有模型分析 | 第78-79页 |
| 5.3 分割模型构造 | 第79-86页 |
| 5.3.1 高斯统计分割模型 | 第79-80页 |
| 5.3.2 高斯灰度均衡化和多尺度形状演化 | 第80-83页 |
| 5.3.3 基于B样条的全局优化分割模型 | 第83-86页 |
| 5.4 数值实现和实验结果 | 第86-104页 |
| 5.4.1 能量最小化 | 第86-89页 |
| 5.4.2 模型优势 | 第89-92页 |
| 5.4.3 实验结果 | 第92-104页 |
| 5.5 本章小结 | 第104-105页 |
| 6 全文总结和研究展望 | 第105-109页 |
| 6.1 全文总结 | 第105-106页 |
| 6.2 研究展望 | 第106-109页 |
| 致谢 | 第109-111页 |
| 参考文献 | 第111-123页 |
| 附录 | 第123-124页 |
| A.攻读博士期间发表的论文 | 第123-124页 |
| B.申请的专利 | 第124页 |
| C.攻读博士期间参与的项目 | 第124页 |