| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 乳腺肿瘤超声CAD技术发展现状 | 第12-15页 |
| 1.2.1 基于纹理特征的分类方法 | 第13页 |
| 1.2.2 基于形态学特征的分类方法 | 第13-14页 |
| 1.2.3 现有方法的缺陷 | 第14-15页 |
| 1.3 本文的主要工作和章节安排 | 第15-17页 |
| 1.3.1 主要工作及创新之处 | 第15-16页 |
| 1.3.2 论文的章节安排 | 第16-17页 |
| 第二章 乳腺肿瘤超声特征的提取 | 第17-25页 |
| 2.1 乳腺肿瘤超声特征概述 | 第17-20页 |
| 2.1.1 纹理特征 | 第17-19页 |
| 2.1.2 形态学特征 | 第19-20页 |
| 2.2 BI-RADS征象特征量化方案 | 第20-23页 |
| 2.3 量化特征的评估筛选 | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 基于双聚类的诊断规则挖掘 | 第25-37页 |
| 3.1 双聚类概述 | 第25-29页 |
| 3.1.1 双聚类引入背景 | 第25-27页 |
| 3.1.2 双聚类算法研究现状 | 第27-28页 |
| 3.1.3 双聚类定义及模式 | 第28-29页 |
| 3.2 基于双聚类的诊断规则挖掘算法 | 第29-36页 |
| 3.2.1 特征矩阵构建 | 第30-31页 |
| 3.2.2 基于熵的质量评估指标 | 第31-32页 |
| 3.2.3 改进的双聚类算法 | 第32-35页 |
| 3.2.4 向量化表达模式 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 基于双聚类和ADABOOST的乳腺肿瘤分类 | 第37-47页 |
| 4.1 ADABOOST集成学习概述 | 第37-40页 |
| 4.2 基于双聚类和ADABOOST的乳腺肿瘤分类算法 | 第40-45页 |
| 4.2.1 确定规则的良恶性属性 | 第40-41页 |
| 4.2.2 基于规则的弱分类器设计 | 第41-43页 |
| 4.2.3 Ada Boost集成学习 | 第43-45页 |
| 4.2.4 模型的算法流程 | 第45页 |
| 4.3 本章小结 | 第45-47页 |
| 第五章 基于代价敏感BPNN的乳腺肿瘤分类 | 第47-58页 |
| 5.1 神经网络理论基础 | 第47-51页 |
| 5.1.1 神经网络模型 | 第47-48页 |
| 5.1.2 反向传播算法 | 第48-51页 |
| 5.1.3 梯度下降的训练方式 | 第51页 |
| 5.2 代价敏感的BPNN算法 | 第51-57页 |
| 5.2.1 基于诊断规则的特征提取 | 第52-53页 |
| 5.2.2 BPNN的设计及优化 | 第53-55页 |
| 5.2.3 代价敏感决策输出 | 第55-57页 |
| 5.2.4 模型的步骤流程 | 第57页 |
| 5.3 本章小结 | 第57-58页 |
| 第六章 实验结果与分析 | 第58-67页 |
| 6.1 实验数据集及平台描述 | 第58-59页 |
| 6.2 分类评估指标 | 第59页 |
| 6.3 BIC-ADABOOST模型的实验设计及结果分析 | 第59-64页 |
| 6.3.1 性能比较 | 第60-61页 |
| 6.3.2 泛化性能测试 | 第61-62页 |
| 6.3.3 双聚类规则分析 | 第62-64页 |
| 6.4 CS-BPNN模型的实验设计及结果分析 | 第64-66页 |
| 6.4.1 不同代价对各指标的影响 | 第64-65页 |
| 6.4.2 性能分析 | 第65-66页 |
| 6.5 本章小结 | 第66-67页 |
| 总结与展望 | 第67-69页 |
| 本文工作总结 | 第67-68页 |
| 未来展望 | 第68-69页 |
| 参考文献 | 第69-75页 |
| 攻读硕士学位期间取得的研究成果 | 第75-76页 |
| 致谢 | 第76-77页 |
| 附表 | 第77页 |
