| 摘 要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究目的和意义 | 第9-10页 |
| 1.2 课题的研究现状 | 第10-12页 |
| 1.2.1 磁共振成像（MRI） | 第10-11页 |
| 1.2.2 MR 脑部图像分割研究现状 | 第11-12页 |
| 1.3 本文研究内容与创新点 | 第12-14页 |
| 1.3.1 本文的研究内容 | 第12-13页 |
| 1.3.2 本文的创新点 | 第13-14页 |
| 1.4 本文的结构 | 第14-15页 |
| 第2章 MR 图像分割 | 第15-27页 |
| 2.1 图像分割原理 | 第15-16页 |
| 2.2 MR 图像分割方法概述 | 第16-23页 |
| 2.2.1 基于阈值的分割方法 | 第16页 |
| 2.2.2 基于边缘的分割方法 | 第16-17页 |
| 2.2.3 基于区域的分割方法 | 第17-18页 |
| 2.2.4 结合区域与边缘的分割方法 | 第18页 |
| 2.2.5 图谱引导（Atlas-guided）的分割方法 | 第18-20页 |
| 2.2.6 基于图理论的分割方法 | 第20页 |
| 2.2.7 基于统计学习的分割方法 | 第20-23页 |
| 2.2.8 其他分割方法 | 第23页 |
| 2.3 图像分割结果评价 | 第23-26页 |
| 2.3.1 评价方法 | 第23-25页 |
| 2.3.2 评判标准 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 结合改进 K-MEANS 和模糊置信度的 MR 脑组织分割算法 | 第27-44页 |
| 3.1 引言 | 第27页 |
| 3.2 K-MEANS 聚类及其改进算法 | 第27-30页 |
| 3.2.1 K-means 聚类 | 第28-29页 |
| 3.2.2 灰度距离加权 K- means | 第29-30页 |
| 3.3 模糊置信度 | 第30-35页 |
| 3.4 灰度距离加权 K-MEANS 聚类和模糊置信度算法 | 第35-37页 |
| 3.5 算法实验与分析 | 第37-43页 |
| 3.5.1 实验结果 | 第37-41页 |
| 3.5.2 实验分析 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第4章 结合 SVM 和 GMM-MRF 模型的多模态 MR 脑肿瘤分割算法 | 第44-68页 |
| 4.1 引言 | 第44-45页 |
| 4.2 支持向量机脑肿瘤初步提取 | 第45-49页 |
| 4.2.1 支持向量机（SVM） | 第45-48页 |
| 4.2.2 特征提取 | 第48-49页 |
| 4.3 GMM-MRF 算法 | 第49-56页 |
| 4.3.1 G-MRF 模型 | 第50-53页 |
| 4.3.2 GMM-MRF 模型及其求解 | 第53-56页 |
| 4.4 标签合并 | 第56页 |
| 4.5 SVM 和 GMM-MRF 的多模态脑肿瘤分割算法 | 第56-58页 |
| 4.6 算法实验与分析 | 第58-67页 |
| 4.6.1 实验结果 | 第58-64页 |
| 4.6.2 实验分析 | 第64-67页 |
| 4.7 本章小结 | 第67-68页 |
| 第5章 结论与展望 | 第68-70页 |
| 5.1 内容总结 | 第68-69页 |
| 5.2 研究展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-78页 |
| 附录1 攻读硕士学位期间发表的论文 | 第78-79页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第79-80页 |
| 详细摘要 | 第80-84页 |
