基于三维人脸特征的计算机辅助疾病诊断技术研究
| 摘要 | 第1-6页 |
| Abstract | 第6-15页 |
| 第1章 绪论 | 第15-24页 |
| ·计算机辅助诊断和自动诊断 | 第15-16页 |
| ·本文工作的背景 | 第16-22页 |
| ·医学背景 | 第16-19页 |
| ·基因遗传综合症辅助诊断的国内外研究现状 | 第19-22页 |
| ·本文工作的主要研究内容和创新点 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第2章 面向遗传综合症诊断的NIFE特征提取算法 | 第24-46页 |
| ·研究背景 | 第24-30页 |
| ·人脸识别和人脸特征提取 | 第25-26页 |
| ·三维人脸特征提取算法研究综述 | 第26-29页 |
| ·三维人脸识别和特征提取的总结和展望 | 第29-30页 |
| ·三维人脸特征提取算法 NIFE | 第30-32页 |
| ·鼻尖提取 | 第32-37页 |
| ·鼻尖的几何匹配 | 第32-34页 |
| ·对称计算筛选 | 第34-37页 |
| ·模型的矫正和预处理 | 第37-39页 |
| ·姿势调整 | 第37-38页 |
| ·模型网格参数化 | 第38-39页 |
| ·脸部其他特征提取 | 第39-44页 |
| ·曲率计算 | 第40-42页 |
| ·脸部区域的分割和特征点定位 | 第42-44页 |
| ·本章小结 | 第44-46页 |
| 第3章 智能推理模型 | 第46-66页 |
| ·概述 | 第46-47页 |
| ·几个典型的算法 | 第47-49页 |
| ·决策树算法 | 第47-48页 |
| ·人工神经网络算法 | 第48-49页 |
| ·贝叶斯网络 | 第49页 |
| ·支持向量机算法 | 第49页 |
| ·智能推理模型的选择 | 第49-51页 |
| ·SVM算法及其理论基础 | 第51-62页 |
| ·统计学习模型 | 第51-54页 |
| ·学习模型的一致性问题 | 第54-56页 |
| ·最大间隔分类器 | 第56-60页 |
| ·非线性分类的解决(SVM模型) | 第60-62页 |
| ·多类分类问题 | 第62-64页 |
| ·本章小结 | 第64-66页 |
| 第4章 在诊断中引入先验知识 | 第66-94页 |
| ·诊断体系结构研究综述 | 第66-71页 |
| ·概述 | 第67-68页 |
| ·几种典型的体系结构解决方案 | 第68-71页 |
| ·面向领域交叉和先验知识引入的诊断体系结构 | 第71-75页 |
| ·自然语言指令处理 | 第75-81页 |
| ·词法分析 | 第75-78页 |
| ·自然语言指令解析 | 第78-81页 |
| ·先验知识的引入 | 第81-92页 |
| ·在SVM中使用先验知识 | 第81-83页 |
| ·样本法研究现状 | 第83-84页 |
| ·ACD中引入先验知识 | 第84-86页 |
| ·实验结果与讨论 | 第86-92页 |
| ·本章小结 | 第92-94页 |
| 第5章 GBSVM算法 | 第94-104页 |
| ·概述 | 第94-95页 |
| ·诊断数据样本 | 第95-96页 |
| ·基于子空间划分的机器学习算法 | 第96-99页 |
| ·随机子空间方法构造决策树 | 第96-97页 |
| ·不对称打包算法 | 第97-99页 |
| ·基于分类的子空间分割的算法GBSVM | 第99-100页 |
| ·试验结果 | 第100-103页 |
| ·本章小结 | 第103-104页 |
| 第6章 原型系统 | 第104-108页 |
| ·系统结构 | 第104-105页 |
| ·诊断处理 | 第105-107页 |
| ·本章小结 | 第107-108页 |
| 第7章 总结与展望 | 第108-112页 |
| 参考文献 | 第112-118页 |
| 攻读博士学位期间主要的研究成果 | 第118-119页 |
| 致谢 | 第119页 |
