| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 第1章 绪论 | 第14-30页 |
| 1.1 研究背景及意义 | 第14-17页 |
| 1.2 超声图像分割概述 | 第17-28页 |
| 1.2.1 图像分割的概念 | 第17-18页 |
| 1.2.2 相关研究现状 | 第18-28页 |
| 1.3 本文的主要工作及内容安排 | 第28-30页 |
| 第2章 基于MRI统计形变模型的子宫肌瘤超声图像分割方法 | 第30-43页 |
| 2.1 引言 | 第30-31页 |
| 2.2 相关知识 | 第31-33页 |
| 2.3 本文方法 | 第33-38页 |
| 2.3.1 构建基于MRI的统计形变模型 | 第33-35页 |
| 2.3.2 基于ASM的超声图像分割模型 | 第35-37页 |
| 2.3.3 本文的分割模型 | 第37-38页 |
| 2.4 实验与结果分析 | 第38-41页 |
| 2.4.1 本文方法与专家手动分割的比较 | 第38-39页 |
| 2.4.2 本文方法与其方法分割的比较 | 第39-40页 |
| 2.4.3 方法的局限 | 第40-41页 |
| 2.5 本章小结 | 第41-43页 |
| 第3章 一种新的动力学统计形状模型的超声图像分割方法 | 第43-62页 |
| 3.1 引言 | 第43页 |
| 3.2 相关知识 | 第43-44页 |
| 3.3 本文方法 | 第44-51页 |
| 3.3.1 构建基于动力学的统计形状先验模型 | 第44-47页 |
| 3.3.2 构建径向特征轮廓模型 | 第47-50页 |
| 3.3.3 分割方法的框架 | 第50-51页 |
| 3.4 实验与结果分析 | 第51-61页 |
| 3.4.1 材料、评价指标和参数的选择 | 第51-53页 |
| 3.4.2 构建A(r(t),a)和B(r(t),b) | 第53-54页 |
| 3.4.3 SF-SSM和PDM的性能比较 | 第54-56页 |
| 3.4.4 不同方法分割结果比较 | 第56-57页 |
| 3.4.5 算法复杂度分析 | 第57-59页 |
| 3.4.6 本文方法的局限性分析 | 第59-61页 |
| 3.5 本章小结 | 第61-62页 |
| 第4章 基于形状相似性的活动轮廓分割方法 | 第62-77页 |
| 4.1 引言 | 第62-63页 |
| 4.2 相关知识 | 第63-66页 |
| 4.2.1 活动轮廓模型 | 第63-65页 |
| 4.2.2 矩阵恢复与矩阵分解 | 第65-66页 |
| 4.3 本文方法 | 第66-70页 |
| 4.3.1 形状相似性测量 | 第66-68页 |
| 4.3.2 基于低秩约束的活动轮廓模型 | 第68-69页 |
| 4.3.3 优化算法 | 第69-70页 |
| 4.4 实验结果与分析 | 第70-76页 |
| 4.4.1 合成的超声图像序列 | 第71页 |
| 4.4.2 临床超声图像序列 | 第71-75页 |
| 4.4.3 参数λ的影响 | 第75页 |
| 4.4.4 本文方法的局限 | 第75-76页 |
| 4.5 本章小结 | 第76-77页 |
| 第5章 基于稀疏局部特征和形状相似性的超声图像序列分割方法 | 第77-95页 |
| 5.1 引言 | 第77-78页 |
| 5.2 相关知识 | 第78-83页 |
| 5.2.1 稀疏表达理论 | 第78-81页 |
| 5.2.2 稀疏子空间聚类 | 第81-83页 |
| 5.3 本文方法 | 第83-88页 |
| 5.3.1 构建局部稀疏竞争特征的活动轮廓模型 | 第83-86页 |
| 5.3.2 基于形状相似性的活动轮廓分割方法 | 第86-88页 |
| 5.4 实验与结果分析 | 第88-92页 |
| 5.4.1 LRPF-ACM与经典ACM分割的比较 | 第89-91页 |
| 5.4.2 本文方法的性能的验证 | 第91-92页 |
| 5.5 本章小结 | 第92-95页 |
| 第6章 总结与展望 | 第95-97页 |
| 6.1 本文工作总结 | 第95-96页 |
| 6.2 未来工作展望 | 第96-97页 |
| 参考文献 | 第97-107页 |
| 攻博期间发表的科研成果目录 | 第107-108页 |
| 致谢 | 第108页 |
