| 摘要 | 第1-3页 |
| ABSTRACT | 第3-7页 |
| 1 绪论 | 第7-16页 |
| ·选题背景及研究意义 | 第7-9页 |
| ·医学图像分割综述 | 第9-13页 |
| ·图像分割的定义 | 第9-10页 |
| ·图像分割方法的分类 | 第10-11页 |
| ·MR脑图像分割的难点 | 第11-13页 |
| ·医学图像分割发展趋势 | 第13页 |
| ·支持向量机研究现状 | 第13-14页 |
| ·研究内容和组织结构 | 第14-16页 |
| 2 统计学习理论与支持向量机 | 第16-36页 |
| ·机器学习理论的基本问题 | 第16-18页 |
| ·机器学习问题的描述 | 第16-17页 |
| ·经验风险最小化原则 | 第17-18页 |
| ·模型复杂性与推广能力 | 第18页 |
| ·统计学习理论 | 第18-22页 |
| ·学习过程一致性的条件 | 第19-20页 |
| ·VC维 | 第20页 |
| ·推广性的界 | 第20-21页 |
| ·结构风险最小化 | 第21-22页 |
| ·支持向量机的基本思想 | 第22-31页 |
| ·线性可分的最优分类面 | 第22-25页 |
| ·线性不可分的最优分类面 | 第25-26页 |
| ·支持向量机 | 第26-28页 |
| ·支持向量机模型的选择 | 第28-31页 |
| ·多类支持向量机 | 第31-34页 |
| ·支持向量机的特点 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 3 支持向量机在MR脑图像分割中的应用 | 第36-64页 |
| ·MR脑图像来源 | 第36-37页 |
| ·支持向量机在MR脑图像应用 | 第37-49页 |
| ·图像预处理 | 第39页 |
| ·样本的获取 | 第39页 |
| ·特征提取 | 第39-43页 |
| ·SVM分类器的构建 | 第43-46页 |
| ·LIBSVM移植 | 第46-49页 |
| ·实验内容 | 第49-56页 |
| ·实验结果及分析 | 第56-63页 |
| ·本章小结 | 第63-64页 |
| 4 基于模糊C均值与支持向量机结合的MR脑图像分割 | 第64-72页 |
| ·基于模糊C均值的MR脑图像分割 | 第64-65页 |
| ·FCM与SVM结合的MR脑图像分割 | 第65-67页 |
| ·算法的过程及步骤 | 第65-67页 |
| ·实验结果与分析 | 第67-71页 |
| ·本章总结 | 第71-72页 |
| 5 结论 | 第72-74页 |
| ·本文工作总结 | 第72-73页 |
| ·未来工作展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 附录 | 第79页 |