| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 选题背景与研究意义 | 第10-12页 |
| 1.2 MRI脑部图像分割相关问题 | 第12-14页 |
| 1.2.1 磁共振成像(MRI) | 第12-13页 |
| 1.2.2 脑部组织分割及特点 | 第13-14页 |
| 1.3 脑部组织分割研究现状及发展 | 第14-16页 |
| 1.4 本文的主要工作及章节安排 | 第16-18页 |
| 第二章 MRI脑部组织分割方法分析 | 第18-31页 |
| 2.1 常见的医学图像分割方法简介 | 第18-20页 |
| 2.2 基于高斯混合模型的脑组织分割方法 | 第20-26页 |
| 2.2.1 高斯混合模型(GMM) | 第20-22页 |
| 2.2.2 空间变化的高斯混合模型(SVGMM) | 第22-25页 |
| 2.2.3 基于GMM的脑组织分割方法的优势与不足 | 第25-26页 |
| 2.3 医学图像的数据处理与分割算法评价标准 | 第26-30页 |
| 2.3.1 脑部图像数据来源 | 第26-27页 |
| 2.3.2 预处理 | 第27-29页 |
| 2.3.3 分割结果评价标准 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 一种基于图谱先验信息的高斯混合模型脑组织三维分割算法 | 第31-56页 |
| 3.1 脑组织概率图谱的解剖结构信息和图谱配准 | 第31-35页 |
| 3.1.1 组织概率映射 | 第31-32页 |
| 3.1.2 子卷概率图谱 | 第32页 |
| 3.1.3 图谱配准的过程和方法 | 第32-35页 |
| 3.2 基于图谱先验信息的高斯混合模型脑组织三维分割算法PA-GMM | 第35-45页 |
| 3.2.1 脑组织概率图谱先验信息的利用 | 第35-36页 |
| 3.2.2 PA-GMM算法实现 | 第36-37页 |
| 3.2.3 参数求解与优化过程 | 第37-40页 |
| 3.2.4 PA-GMM算法流程 | 第40-41页 |
| 3.2.5 实验结果与分析 | 第41-45页 |
| 3.3 基于偏移场校正的PA-GMM算法 | 第45-55页 |
| 3.3.1 偏移场校正在脑组织分割算法上的应用 | 第45-46页 |
| 3.3.2 偏移场与噪声的相互关系 | 第46页 |
| 3.3.3 基于偏移场校正的PA-GMM算法实现 | 第46-48页 |
| 3.3.4 参数求解与优化 | 第48-50页 |
| 3.3.4.1 混合模型参数(μ,σ~2,α)求解 | 第48页 |
| 3.3.4.2 偏移场参数向量β求解 | 第48-50页 |
| 3.3.5 实验结果与分析 | 第50-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第四章 一种结合空间邻域信息与概率图谱的脑组织分割算法 | 第56-75页 |
| 4.1 GMM空间信息缺失的解决方式 | 第56-61页 |
| 4.1.1 MRF随机场的利用 | 第57-60页 |
| 4.1.2 直接对GMM进行改进和扩展 | 第60-61页 |
| 4.2 改进的基于空间邻域信息与概率图谱的脑组织分割算法SNPA-MGMM | 第61-68页 |
| 4.2.1 MGMM介绍 | 第61-65页 |
| 4.2.2 SNPA-MGMM算法实现 | 第65-67页 |
| 4.2.3 算法实施流程 | 第67-68页 |
| 4.3 实验结果与分析 | 第68-74页 |
| 4.3.1 实验数据 | 第68页 |
| 4.3.2 实验结果分析 | 第68-74页 |
| 4.4 本章小结 | 第74-75页 |
| 第五章 总结与展望 | 第75-77页 |
| 5.1 全文研究工作总结 | 第75页 |
| 5.2 后续工作展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-83页 |
