| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-24页 |
| 1.1 课题研究背景及意义 | 第8-11页 |
| 1.1.1 乳腺癌影像学诊断方法概述 | 第9页 |
| 1.1.2 乳腺肿瘤的影像学表征 | 第9-10页 |
| 1.1.3 乳腺癌CADx系统的发展与应用 | 第10-11页 |
| 1.2 乳腺肿瘤CADx系统概述 | 第11-17页 |
| 1.2.1 特征提取与选择技术及相关算法 | 第12-13页 |
| 1.2.2 不平衡数据处理技术及相关算法 | 第13-16页 |
| 1.2.3 模式识别与分类技术及相关算法 | 第16-17页 |
| 1.3 数据集与评价标准 | 第17-20页 |
| 1.3.1 数据集概述 | 第17-18页 |
| 1.3.2 性能评价标准概述 | 第18-20页 |
| 1.4 论文结构与内容 | 第20-24页 |
| 第2章 机器学习分类算法的比较与选择 | 第24-34页 |
| 2.1 机器学习常用分类算法简介 | 第24-29页 |
| 2.1.1 基于寻找最佳超平面的分类器 | 第24-26页 |
| 2.1.2 基于模拟生物学习的分类算法 | 第26-28页 |
| 2.1.3 基于规则的分类器 | 第28-29页 |
| 2.2 乳腺CADx系统分类器选择实验 | 第29-34页 |
| 2.2.1 数据预处理的参数设置 | 第29-30页 |
| 2.2.2 分类器参数设置 | 第30页 |
| 2.2.3 分类器选择实验结果 | 第30-31页 |
| 2.2.4 实验分析 | 第31-34页 |
| 第3章 数据不平衡处理算法 | 第34-48页 |
| 3.1 Adaptive EUS-Boost算法介绍 | 第34-39页 |
| 3.1.1 偏差—方差分解：算法理论基础 | 第34页 |
| 3.1.2 方差降低：组合降采样算法 | 第34-36页 |
| 3.1.3 偏差降低：偏差降低与自适应决策方法 | 第36-39页 |
| 3.1.4 复杂度分析 | 第39页 |
| 3.2 数据集与实验设置 | 第39-41页 |
| 3.3 实验结果与比较分析 | 第41-48页 |
| 第4章 特征提取与选择及CADx系统总体设计 | 第48-58页 |
| 4.1 乳腺肿瘤CADx系统的特征描述与提取 | 第48-50页 |
| 4.1.1 形态学特征 | 第48页 |
| 4.1.2 Haralick特征 | 第48-49页 |
| 4.1.3 GLDM特征 | 第49页 |
| 4.1.4 GLRLM特征 | 第49页 |
| 4.1.5 GGLCM特征 | 第49-50页 |
| 4.1.6 Gabor特征 | 第50页 |
| 4.2 乳腺肿瘤CADx系统的特征选择方法 | 第50-52页 |
| 4.2.1 Relief特征选择算法简介 | 第51页 |
| 4.2.2 子空间方法 | 第51-52页 |
| 4.3 乳腺肿瘤CADx系统总体设计 | 第52-58页 |
| 4.3.1 乳腺肿瘤CADx系统结构 | 第52-53页 |
| 4.3.2 乳腺肿瘤CADx性能评价与比较 | 第53-58页 |
| 第5章 总结与展望 | 第58-62页 |
| 5.1 本文总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-62页 |
| 参考文献 | 第62-70页 |
| 发表论文和参加科研情况说明 | 第70-72页 |
| 致谢 | 第72-73页 |