| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 第1章 绪论 | 第11-15页 |
| ·医学图像分割技术的发展及研究现状 | 第11-12页 |
| ·支持向量机技术的发展 | 第12-13页 |
| ·本文研究工作的动机与意义 | 第13-15页 |
| 第2章 基于统计学习理论的支持向量机算法 | 第15-21页 |
| ·二分类支持向量机 | 第15-18页 |
| ·线性可分 | 第16-17页 |
| ·线性不可分 | 第17-18页 |
| ·参数优化 | 第18-21页 |
| ·试凑法 | 第18-19页 |
| ·交义验证法 | 第19-21页 |
| 第3章 基于多分类支持向量机的脑部MRI图像多目标分割方法 | 第21-29页 |
| ·多分类支持向量机算法 | 第21-23页 |
| ·特征向量提取 | 第23-24页 |
| ·降维处理方法 | 第24-29页 |
| ·主成分分析算法 | 第24-26页 |
| ·粗糙集算法 | 第26-27页 |
| ·降维方法效果对比 | 第27-29页 |
| 第4章 脑部MRI图像多目标分割效果对比分析 | 第29-40页 |
| ·常规分割算法 | 第29-34页 |
| ·K-均值聚类分割算法 | 第29-30页 |
| ·模糊C-均值聚类分割算法 | 第30-32页 |
| ·K-最近邻分割算法 | 第32页 |
| ·贝叶斯分类器分割算法 | 第32-33页 |
| ·径向基神经网络分割算法 | 第33-34页 |
| ·分割效果对比 | 第34-40页 |
| ·未降维分割效果 | 第36-37页 |
| ·主成分分析降维后的分割效果 | 第37-38页 |
| ·粗糙集降维后的分割效果 | 第38-40页 |
| 第5章 总结与展望 | 第40-42页 |
| ·课题的主要研究工作 | 第40-41页 |
| ·研究工作展望 | 第41-42页 |
| 参考文献 | 第42-44页 |
| 致谢 | 第44-45页 |
| 攻读学位期间发表的学术论文及参与的项目 | 第45-46页 |
| 学位论文评阅及答辩情况表 | 第46页 |