1 緒論 1.1 前言 1.2 MRI圖像的特點和分割目標 1.2.1 MRI圖像的特點 1.2.2 顱腦組織的分布和分割的目標 1.3 醫學圖像分割的常用方法和分類 1.3.1 基于模糊理論的圖像分割 1.3.2 基于形變模型的分割 1.3.3 基于隨機場的分割方法 1.3.4 基于核函數的分割方法 1.4 醫學圖像分割算法的評估 1.4.1 具有標準分割結果的臨床數據 1.4.2 具有標準分割結果的仿真數據 1.5 意義和貢獻 1.6 本書的結構安排 2 基于聚類分析的分割 2.1 聚類與模糊聚類的概念 2.2 基于代價函數的聚類算法 2.2.1 基于混合模型的概率聚類 2.2.2 高斯混合模型的EM聚類 2.2.3 模糊聚類 2.3 模糊C均值聚類(FCM)算法 2.4 模糊C均值聚類的缺點和改進 2.5 本章小結 3 基于Mercer核的聚類算法 3.1 引言 3.2 Mercer定理與Mercer核 3.2.1 Mercer映射 3.2.2 正定條件與Mercer核 3.3 近鄰度量與基于核函數的度量 3.3.1 相似性測度以及不相似性的度量 3.3.2 基于Mercer核的測度 3.4 基于Mercer核的模糊C均值聚類 3.4.1 特征空間距離展開式與聚類算法 3.4.2 聚類目標公式和隸屬度的迭代式 3.5 核聚類算法的改進 3.5.1 KFCM-Ⅱ算法 3.5.2 Mercer映射中原像的問題 3.5.3 KFCM-Ⅱ聚類初始化 3.5.4 高斯核σ參數的確定 3.6 FCM和KFCMl.II的實驗結果及討論 3.7 本章小結 4 空問約束的核聚類圖像分割算法 4.1 引言 4.2 使用空間約束的KFCM-II聚類 4.3 使用Markov場進行空間約束的KFCM—II算法 4.3.1 鄰域系統和勢團的定義 4.3.2 基于兩點勢團的空間約束 4.3.3 聚類參數的確定 4.3.4 實驗結果及分析