| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究背景及意义 | 第9-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.4 论文主要内容和章节安排 | 第15-17页 |
| 第2章 基于Gabor小波与SVM的MRI脑肿瘤分割 | 第17-32页 |
| 2.1 基于Gabor小波的MRI脑肿瘤特征提取 | 第17-22页 |
| 2.1.1 Gabor小波原理 | 第18-21页 |
| 2.1.2 Gabor小波特征提取 | 第21-22页 |
| 2.2 基于SVM的脑肿瘤分割 | 第22-24页 |
| 2.2.1 SVM原理 | 第22-24页 |
| 2.2.2 脑肿瘤分割中SVM的实现过程 | 第24页 |
| 2.3 基于形态学的图像后处理 | 第24-26页 |
| 2.4 实验结果与分析 | 第26-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 基于卷积神经网络的MRI脑肿瘤分割 | 第32-46页 |
| 3.1 卷积神经网络原理与求解 | 第33-39页 |
| 3.1.1 卷积神经网络原理 | 第33-34页 |
| 3.1.2 卷积神经网络求解 | 第34-39页 |
| 3.2 基于卷积神经网络的MRI脑肿瘤分割实现 | 第39-41页 |
| 3.2.1 训练样本的遍历 | 第39-40页 |
| 3.2.2 基于LeNet-5 模型的脑肿瘤分割实现过程 | 第40-41页 |
| 3.3 实验结果及分析 | 第41-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第4章 基于特征融合的MRI脑肿瘤分割框架设计 | 第46-62页 |
| 4.1 基于Gabor小波与CNN特征融合的MRI脑肿瘤分割 | 第46-49页 |
| 4.1.1 特征融合原理 | 第46-48页 |
| 4.1.2 MR脑肿瘤Gabor小波与CNN特征融合的实现过程 | 第48-49页 |
| 4.2 基于核熵成分分析的脑肿瘤特征降维 | 第49-55页 |
| 4.2.1 核熵成分分析原理 | 第50-54页 |
| 4.2.2 脑肿瘤特征降维过程实现 | 第54-55页 |
| 4.3 实验结果及分析 | 第55-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 课题总结 | 第62页 |
| 5.2 课题展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-68页 |
