基于机器学习的立体脑图像弹性配准框架研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-13页 |
| 第一章 绪论 | 第13-27页 |
| ·背景介绍 | 第13页 |
| ·图像配准中的关键技术 | 第13-22页 |
| ·图像配准的原理和概念 | 第14-15页 |
| ·配准中的相似度函数 | 第15-16页 |
| ·图像的几何变换 | 第16-19页 |
| ·配准中的优化方法 | 第19页 |
| ·弹性配准算法综述 | 第19-22页 |
| ·现有弹性配准算法的不足之处及本文的创新点 | 第22-25页 |
| ·本文研究内容及章节安排 | 第25-27页 |
| 第二章 学习计算图像特征的最佳尺度 | 第27-39页 |
| ·引言 | 第27页 |
| ·最佳尺度的优越性 | 第27-32页 |
| ·图像的区域显著性和尺度的关系 | 第27-29页 |
| ·MR 脑图像中的区域显著性和最佳尺度 | 第29-30页 |
| ·最佳尺度的优越性 | 第30-32页 |
| ·学习最佳尺度的目标和标准 | 第32-33页 |
| ·学习最佳尺度的目标 | 第32页 |
| ·最佳尺度的标准 | 第32-33页 |
| ·学习最佳尺度的方法 | 第33-35页 |
| ·学习算法 | 第33-34页 |
| ·学习GMI 的最佳尺度 | 第34-35页 |
| ·实验结果 | 第35-37页 |
| ·本章小结 | 第37-39页 |
| 第三章 学习最佳的图像特征 | 第39-59页 |
| ·引言 | 第39页 |
| ·图像局部特征的性能评估 | 第39-44页 |
| ·常用的图像局部特征 | 第39-40页 |
| ·性能评估 | 第40-41页 |
| ·本文采用的特征及其在三维图像中的扩展 | 第41-44页 |
| ·最佳图像特征的优越性 | 第44-46页 |
| ·学习最佳图像特征的方法 | 第46-54页 |
| ·adaboost 算法 | 第46-49页 |
| ·学习最佳图像特征算法的原理 | 第49-52页 |
| ·学习最佳图像特征算法的实现 | 第52-54页 |
| ·实验结果 | 第54-57页 |
| ·本章小结 | 第57-59页 |
| 第四章 学习配准中的关键点 | 第59-69页 |
| ·引言 | 第59页 |
| ·MR 脑图像中的关键点 | 第59-61页 |
| ·学习关键点的算法及层次化的配准框架 | 第61-66页 |
| ·自然图像中的关键区域的提取算法 | 第61页 |
| ·学习MR 脑图像中关键点的算法 | 第61-64页 |
| ·层次化的弹性配准算法 | 第64-66页 |
| ·实验结果 | 第66-68页 |
| ·本章小结 | 第68-69页 |
| 第五章 学习位移场的统计信息 | 第69-81页 |
| ·引言 | 第69-71页 |
| ·位移场的表示方法 | 第71-74页 |
| ·位移场的统计模型 | 第74-76页 |
| ·位移场的规范化 | 第76-77页 |
| ·实验结果 | 第77-79页 |
| ·本章小结 | 第79-81页 |
| 第六章 智能弹性配准框架及其应用 | 第81-99页 |
| ·引言 | 第81页 |
| ·智能弹性配准框架 | 第81-82页 |
| ·智能弹性配准框架的实现 | 第82-88页 |
| ·HAMMER 弹性配准算法 | 第82-86页 |
| ·智能配准框架下的HAMMER 算法 | 第86-88页 |
| ·实验结果 | 第88-96页 |
| ·真实数据实验部分 | 第88-93页 |
| ·模拟数据实验部分 | 第93-96页 |
| ·本章小结 | 第96-99页 |
| 第七章 总结与展望 | 第99-103页 |
| ·总结 | 第99-100页 |
| ·研究展望 | 第100-103页 |
| 参考文献 | 第103-112页 |
| 附录一 公式推导 | 第112-114页 |
| 攻读博士学位期间已发表或录用的论文 | 第114-115页 |
| 攻读博士学位期间参与的科研项目 | 第115-116页 |
| 致谢 | 第116-119页 |
