| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第1章 绪 论 | 第8-16页 |
| ·课题背景 | 第8-10页 |
| ·乳腺超声成像 | 第10-12页 |
| ·B 超成像的原理 | 第10页 |
| ·乳腺B 超图像特性 | 第10-12页 |
| ·超声乳腺肿瘤图像特征提取与分类方法概述 | 第12-14页 |
| ·基于纹理特征的分类方法 | 第12-13页 |
| ·基于形态学特征的分类方法 | 第13-14页 |
| ·本文的研究内容以及文章结构 | 第14-16页 |
| ·基于多示例学习的超声乳腺肿瘤分类 | 第14页 |
| ·本文的文章结构 | 第14-16页 |
| 第2章 多示例学习与局部加权学习 | 第16-29页 |
| ·多示例学习 | 第16-24页 |
| ·多示例学习背景与应用 | 第16-19页 |
| ·多示例学习算法 | 第19-24页 |
| ·局部加权学习 | 第24-28页 |
| ·即时学习 | 第24页 |
| ·局部加权学习 | 第24-27页 |
| ·局部加权学习框架中的kNN | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第3章 基于多示例学习的乳腺超声图像分类方法 | 第29-40页 |
| ·对肿瘤区域分割具有健壮性的乳腺肿瘤良恶性分类系统 | 第29-32页 |
| ·基于多示例学习的乳腺超声肿瘤良恶性分类 | 第32-36页 |
| ·基于多示例学习的分类算法流程 | 第33页 |
| ·多示例包构建 | 第33-35页 |
| ·特征提取 | 第35-36页 |
| ·实验结果 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第4章 基于综合局部加权的Citation-kNN (LWCKNN) | 第40-60页 |
| ·Citation-kNN | 第40-42页 |
| ·Locally weighted Citation-kNN 算法 | 第42-45页 |
| ·算法流程 | 第43-44页 |
| ·包空间分布特征分析 | 第44-45页 |
| ·多种局部加权的Citation-kNN 改进算法 | 第45-53页 |
| ·相对距离与相应改进算法 | 第45-48页 |
| ·散乱程度与相应改进算法 | 第48-51页 |
| ·稀疏程度 | 第51-52页 |
| ·综合加权算法 | 第52-53页 |
| ·实验结果 | 第53-59页 |
| ·超声乳腺肿瘤良恶性分类实验 | 第53-58页 |
| ·MUSK 库分类实验 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-69页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第69-71页 |
| 致谢 | 第71页 |
