| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-29页 |
| ·研究背景及其意义 | 第11-14页 |
| ·研究现状 | 第14-27页 |
| ·图像语义提取的方法 | 第14-22页 |
| ·语义相似度的度量 | 第22-23页 |
| ·图像检索系统的性能评价 | 第23页 |
| ·医学图像语义检索的研究现状 | 第23-27页 |
| ·核磁共振图像（MRI）的产生 | 第27页 |
| ·本文的主要工作 | 第27-29页 |
| 第二章 医学图像语义建模的相关技术 | 第29-41页 |
| ·统计学习理论与方法 | 第29-36页 |
| ·机器学习问题的表示 | 第29-32页 |
| ·支持向量机的分类方法 | 第32-36页 |
| ·贝叶斯网络 | 第36-40页 |
| ·贝叶斯法则 | 第37-38页 |
| ·贝叶斯网络的知识表达 | 第38页 |
| ·贝叶斯网络的学习 | 第38-39页 |
| ·贝叶斯网络的推理 | 第39-40页 |
| ·高斯混合模型 | 第40-41页 |
| 第三章 引入条件高斯的基于模糊贝叶斯网络的医学图像语义建模 | 第41-68页 |
| ·引言 | 第41-42页 |
| ·贝叶斯网络的性能分析 | 第42-43页 |
| ·医学影像诊断的特点 | 第43-44页 |
| ·嵌入条件高斯模型(CG)的模糊贝叶斯网络 | 第44-47页 |
| ·语义建模的知识结构 | 第47页 |
| ·星形细胞瘤恶性程度的语义建模 | 第47-58页 |
| ·训练样本的选择 | 第48-49页 |
| ·图像特征提取 | 第49-53页 |
| ·语义模型的结构设计 | 第53-55页 |
| ·星形细胞瘤恶性程度语义模型的参数学习 | 第55-58页 |
| ·仿真实验结果与分析 | 第58-66页 |
| ·讨论 | 第66-67页 |
| ·本章小结 | 第67-68页 |
| 第四章 基于BN-GMM 的多层医学图像语义建模及其检索 | 第68-91页 |
| ·引言 | 第68-70页 |
| ·嵌入高斯混合模型的模糊贝叶斯网络 | 第70-73页 |
| ·使用高斯混合模型（GMM）提取对象语义 | 第71-72页 |
| ·使用模糊贝叶斯网络BN-GMM 的病症语义提取 | 第72-73页 |
| ·基于BN-GMM 的星形细胞瘤恶性程度语义模型的建立与推理 | 第73-75页 |
| ·结构的设计 | 第73-74页 |
| ·参数学习 | 第74-75页 |
| ·概率推理 | 第75页 |
| ·图像语义检索 | 第75-79页 |
| ·语义相似度量 | 第75-76页 |
| ·匹配策略 | 第76-78页 |
| ·检索方式 | 第78-79页 |
| ·实验结果 | 第79-88页 |
| ·语义建模的结果 | 第79-82页 |
| ·语义标注 | 第82-85页 |
| ·知识表达 | 第85-86页 |
| ·检索结果 | 第86-88页 |
| ·讨论 | 第88-89页 |
| ·本章小结 | 第89-91页 |
| 第五章 基于BN-SVM 的多层医学图像语义建模 | 第91-105页 |
| ·引言 | 第91页 |
| ·嵌入支持向量机的混合贝叶斯网络 | 第91-92页 |
| ·基于BN-SVM 的星形细胞瘤恶性分级语义模型的表达与推理 | 第92-95页 |
| ·结构设计 | 第92-93页 |
| ·贝叶斯网络BN-SVM 的参数学习 | 第93-94页 |
| ·贝叶斯网络BN-SVM 的推理 | 第94-95页 |
| ·实验结果 | 第95-104页 |
| ·使用支持向量机提取中层语义 | 第96页 |
| ·使用贝叶斯网络提取高层语义 | 第96-99页 |
| ·高级语义的准确率和查全率随训练样本数量的变化规律 | 第99-100页 |
| ·图像的语义标注及其知识表达 | 第100-104页 |
| ·本章小结 | 第104-105页 |
| 结论 | 第105-107页 |
| 参考文献 | 第107-116页 |
| 攻读博士学位期间发表或已录用的论文 | 第116-118页 |
| 致谢 | 第118页 |
