| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 引言 | 第8-10页 |
| 第一章 医学图像分割方法简介 | 第10-20页 |
| ·医学图像分割的重要作用 | 第10页 |
| ·医学图像分割技术的分类 | 第10-17页 |
| ·基于分类的分割方法 | 第11-12页 |
| ·基于区域的分割方法 | 第12-13页 |
| ·基于边界的分割方法 | 第13-15页 |
| ·其它分割方法 | 第15-17页 |
| ·医学图像分割的发展趋势 | 第17-18页 |
| ·医学图像处理中的难点 | 第18页 |
| ·论文主要内容 | 第18-20页 |
| 第二章 基于二次分割的脑组织图像分割 | 第20-33页 |
| ·磁共振图像简介 | 第20-21页 |
| ·分水岭算法 | 第21-23页 |
| ·模糊C 均值算法 | 第23-25页 |
| ·二次分割算法 | 第25-28页 |
| ·检测再分区域 | 第26-27页 |
| ·利用K 最近邻算法进行二次分割 | 第27-28页 |
| ·实验结果 | 第28-32页 |
| ·结果分析和比较 | 第28-30页 |
| ·定量分析 | 第30-31页 |
| ·真实数据的处理结果 | 第31-32页 |
| ·总结 | 第32-33页 |
| 第三章 基于模糊KOHONEN 竞争学习算法的脑组织图像分割 | 第33-42页 |
| ·KOHONEN 竞争学习算法简介 | 第33-34页 |
| ·传统的KOHONEN 竞争学习算法 | 第34页 |
| ·模糊KOHONEN竞争学习算法 | 第34-36页 |
| ·基于核距离的模糊竞争学习算法 | 第36-38页 |
| ·实验结果 | 第38-41页 |
| ·结果分析与比较 | 第38-41页 |
| ·真实图像处理结果 | 第41页 |
| ·结论 | 第41-42页 |
| 第四章 基于改进的模糊C 均值聚类算法的脑组织图像分割 | 第42-54页 |
| ·传统的FCM 算法及相关改进算法 | 第42-43页 |
| ·本章所提出的算法 | 第43-47页 |
| ·实验结果 | 第47-53页 |
| ·人造图像 | 第47-48页 |
| ·模拟MRI 图像 | 第48-51页 |
| ·真实数据处理结果 | 第51-53页 |
| ·结论 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| ·全文工作总结 | 第54-55页 |
| ·未来工作展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 在学期间公开发表论文及著作情况 | 第61页 |