中文摘要 | 第1-8页 |
ABSTRACT | 第8-9页 |
第一章 绪论 | 第9-17页 |
§1.1 引言 | 第9-11页 |
§1.2 国内、外研究现状 | 第11-12页 |
§1.3 论文选题来源及研究背景 | 第12-14页 |
§1.4 本论文研究内容 | 第14-15页 |
§1.5 本论文的组织结构 | 第15-17页 |
第二章 国内外研究现状分析 | 第17-27页 |
§2.1 数据挖掘原型系统DBMiner | 第17-18页 |
§2.2 基于乳腺X线图像的e-Diamond网格系统 | 第18-19页 |
§2.3 数据挖掘中的分类算法 | 第19-23页 |
§2.4 腺体中的结构紊乱探测 | 第23页 |
§2.5 肿瘤区域的分割 | 第23-24页 |
§2.6 特征提取和选择 | 第24-25页 |
§2.6.1 纹理特征 | 第24-25页 |
§2.6.2 特征选择 | 第25页 |
§2.7 本章小结 | 第25-27页 |
第三章 医学图像辅助诊断系统 | 第27-32页 |
§3.1 数据挖掘系统流程 | 第27-29页 |
§3.2 医学图像辅助诊断系统 | 第29-31页 |
§3.3 本章小结 | 第31-32页 |
第四章 医学图像数据预处理技术 | 第32-54页 |
§4.1 图像预处理 | 第32-37页 |
§4.1.1 图像剪切技术 | 第32-33页 |
§4.1.2 图像增强 | 第33-37页 |
§4.2 特征提取 | 第37-43页 |
§4.2.1 图像纹理的灰度分布统计特征 | 第38-43页 |
§4.2.2 形状特征 | 第43页 |
§4.3 数量型属性离散化 | 第43-48页 |
§4.3.1 竞争聚集(CA)算法 | 第44-48页 |
§4.4 基于模糊聚类的特征优选方法 | 第48-52页 |
§4.5 本章小结 | 第52-54页 |
第五章 决策树算法及其在图像挖掘中的应用 | 第54-76页 |
§5.1 分类和预测 | 第54-58页 |
§5.2 决策树分类概述 | 第58-60页 |
§5.3 决策树算法的基本原理 | 第60-74页 |
§5.3.1 ID3算法 | 第61-63页 |
§5.3.2 算法的改进 | 第63-65页 |
§5.3.3 C4.5算法 | 第65-68页 |
§5.3.4 决策树学习的关键技术 | 第68-74页 |
§5.4 决策树算法对乳腺癌图像数据的分类 | 第74-75页 |
§5.5 本章小结 | 第75-76页 |
第六章 关联规则挖掘算法的研究 | 第76-92页 |
§6.1 关联规则概述 | 第76-77页 |
§6.2 关联规则算法 | 第77-85页 |
§6.2.1 基本概念 | 第77-80页 |
§6.2.2 关联规则的实现算法 | 第80-83页 |
§6.2.3 Apriori算法的改进 | 第83-85页 |
§6.3 关联规则挖掘关键技术探讨 | 第85-87页 |
§6.4 源自关联规则挖掘概念的分类: | 第87-91页 |
§6.4.1 关联规则分类方法 | 第87-89页 |
§6.4.2 关联规则分类的约束标记 | 第89-90页 |
§6.4.3 关联规则在乳腺X线照片分类中的应用 | 第90-91页 |
§6.5 本章小结 | 第91-92页 |
第七章 Rough集理论及其在数据挖掘中的应用 | 第92-117页 |
§7.1 Rough集理论概述 | 第92-97页 |
§7.1.1 基本概念 | 第92-94页 |
§7.1.2 属性依赖和属性约简 | 第94-97页 |
§7.2 决策表和决策规则 | 第97-104页 |
§7.2.1 决策表 | 第97-100页 |
§7.2.2 基于区分矩阵的约简算法 | 第100-104页 |
§7.3 基于互信息的知识约简算法RAMI | 第104-106页 |
§7.4 基于粒的二进制运算提取关联规则 | 第106-113页 |
§7.5 Rough集在辅助诊断中的应用 | 第113-116页 |
§7.5.1 在乳腺影像分类中的应用 | 第113-114页 |
§7.5.2 基于生理活检数据的分类 | 第114-116页 |
§7.6 本章小结 | 第116-117页 |
第八章 总结和展望 | 第117-120页 |
§8.1 本文工作总结 | 第117-118页 |
§8.2 进一步工作展望 | 第118-120页 |
攻读博士学位期间发表的论文 | 第120-122页 |
主要参考文献 | 第122-132页 |
致谢 | 第132页 |