模式识别在脑胶质瘤诊断中的应用研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 引言 | 第8-16页 |
| 1.1 课题背景和研究意义 | 第8-11页 |
| 1.2 国内外的研究现状 | 第11-13页 |
| 1.3 课题的主要工作和内容安排 | 第13-16页 |
| 2 医学图像预处理 | 第16-22页 |
| 2.1 医学图像的获取 | 第16-17页 |
| 2.1.1 医学图像的DICOM标准 | 第16-17页 |
| 2.1.2 医学图像的特点 | 第17页 |
| 2.2 医学图像的预处理和ROI分割 | 第17-21页 |
| 2.2.1 医学图像的预处理 | 第17-19页 |
| 2.2.2 医学图像的ROI分割 | 第19-21页 |
| 2.3 本章小结 | 第21-22页 |
| 3 医学图像三维特征提取 | 第22-40页 |
| 3.1 小波特征 | 第22-24页 |
| 3.2 一阶统计量特征 | 第24-26页 |
| 3.3 形状和大小特征 | 第26-27页 |
| 3.4 纹理特征 | 第27-39页 |
| 3.4.1 灰度共生矩阵提取纹理特征 | 第27-34页 |
| 3.4.2 灰度游程矩阵提取纹理特征 | 第34-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 特征选择Lasso回归 | 第40-48页 |
| 4.1 特征选择 | 第40-41页 |
| 4.2 R软件简介 | 第41-42页 |
| 4.3 Lasso回归的原理 | 第42-44页 |
| 4.3.1 Lasso回归的定义 | 第42-43页 |
| 4.3.2 交叉验证法估计参数λ | 第43-44页 |
| 4.4 基于R语言的Lasso实验研究 | 第44-47页 |
| 4.4.1 实验数据 | 第44页 |
| 4.4.2 实验步骤 | 第44-45页 |
| 4.4.3 实验结果与分析 | 第45-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 支持向量机建立分类模型 | 第48-58页 |
| 5.1 支持向量机原理介绍 | 第48-52页 |
| 5.1.1 线性可分 | 第48-51页 |
| 5.1.2 线性不可分 | 第51-52页 |
| 5.2 核函数 | 第52-54页 |
| 5.3 模型评估方法 | 第54-55页 |
| 5.4 基于R语言的SVM建模实验研究 | 第55-57页 |
| 5.4.1 实验数据 | 第55页 |
| 5.4.2 实验步骤 | 第55页 |
| 5.4.3 实验结果与分析 | 第55-57页 |
| 5.5 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58页 |
| 6.2 展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 作者攻读学位期间发表学术论文清单 | 第66-68页 |
| 致谢 | 第68页 |
