基于多体素磁共振波谱的脑肿瘤自动分类辅助诊断技术
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景及意义 | 第8-9页 |
| 1.2 多体素磁共振波谱技术 | 第9-11页 |
| 1.3 现有的脑肿瘤分类方法 | 第11-12页 |
| 1.4 课题内容 | 第12-14页 |
| 1.4.1 课题内容概述 | 第12-13页 |
| 1.4.2 论文结构 | 第13-14页 |
| 第二章 脑肿瘤特征提取 | 第14-24页 |
| 2.1 脑肿瘤波谱数据预处理 | 第14-17页 |
| 2.1.1 磁共振波谱存储形式 | 第14-15页 |
| 2.1.2 磁共振波谱原始数据预处理 | 第15页 |
| 2.1.3 磁共振波谱数据量化 | 第15-16页 |
| 2.1.4 磁共振波谱数据的质量控制 | 第16-17页 |
| 2.2 分类器特征提取 | 第17-21页 |
| 2.2.1 第一层分类器特征提取 | 第17-18页 |
| 2.2.2 第二层分类器特征提取 | 第18-20页 |
| 2.2.3 第三层分类器特征提取 | 第20-21页 |
| 2.3 本章小结 | 第21-24页 |
| 第三章 脑肿瘤分类系统设计 | 第24-34页 |
| 3.1 基于SVM的分类器设计 | 第24-29页 |
| 3.1.1 线性判别函数和最优分类面 | 第24-25页 |
| 3.1.2 核函数的选取 | 第25-26页 |
| 3.1.3 SVM分类器实现过程 | 第26-28页 |
| 3.1.4 SVM分类器参数优化 | 第28-29页 |
| 3.2 脑肿瘤数学模型的建立 | 第29-31页 |
| 3.2.1 数学模型在脑肿瘤分类中的意义 | 第29页 |
| 3.2.2 数学模型构建方法 | 第29-30页 |
| 3.2.3 脑肿瘤数学模型的具体实现 | 第30-31页 |
| 3.4 SVM分类器性能评估 | 第31-32页 |
| 3.5 本章小结 | 第32-34页 |
| 第四章 系统功能的实现 | 第34-44页 |
| 4.1 有无脑肿瘤的判别 | 第35-38页 |
| 4.1.1 SVM分类器输入参数 | 第35-36页 |
| 4.1.2 SVM输入特征归一化 | 第36页 |
| 4.1.3 SVM参数最优化 | 第36-37页 |
| 4.1.4 SVM分类模型的建立 | 第37-38页 |
| 4.2 脑肿瘤类型的判别 | 第38-39页 |
| 4.3 脑胶质瘤级别的判别 | 第39-41页 |
| 4.4 系统性能讨论 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 第五章 总结与展望 | 第44-46页 |
| 致谢 | 第46-48页 |
| 参考文献 | 第48-50页 |
| 作者简介 | 第50页 |
