| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第1章 绪论 | 第10-14页 |
| ·课题研究背景及意义 | 第10页 |
| ·国内外研究现状 | 第10-11页 |
| ·论文研究主要内容 | 第11-14页 |
| 第2章 肺部 CT 图像的分割与肺结节的提取 | 第14-30页 |
| ·引言 | 第14页 |
| ·医学图像的特点 | 第14-15页 |
| ·医学图像的分割原理 | 第15-16页 |
| ·医学图像的分割方法 | 第16-23页 |
| ·基于区域的图像分割方法 | 第16-19页 |
| ·基于边缘的图像分割方法 | 第19-20页 |
| ·基于特定理论的图像分割方法 | 第20-23页 |
| ·实验结果与分析 | 第23-26页 |
| ·分割结果的评价 | 第26-28页 |
| ·本章小结 | 第28-30页 |
| 第3章 人工神经网络和遗传算法 | 第30-46页 |
| ·引言 | 第30页 |
| ·人工神经网络 | 第30-37页 |
| ·人工神经网络的基本特征和功能 | 第30-32页 |
| ·BP 神经网络 | 第32-36页 |
| ·BP 算法的改进方法 | 第36-37页 |
| ·遗传算法 | 第37-44页 |
| ·遗传算法的概述 | 第37-38页 |
| ·遗传算法的基础理论、特征及其应用 | 第38-41页 |
| ·基于排序选择的遗传算法的改进方法 | 第41-43页 |
| ·实验结果与分析 | 第43-44页 |
| ·本章小结 | 第44-46页 |
| 第4章 基于遗传神经网络的 CT 图像肺结节的检测 | 第46-70页 |
| ·引言 | 第46页 |
| ·相关理论 | 第46-55页 |
| ·基于特征向量模式的肺结节识别方法 | 第46-49页 |
| ·基于图像模式的肺结节识别方法 | 第49-55页 |
| ·基于改进遗传算法优化的MTANN 识别算法 | 第55-64页 |
| ·遗传 MTANN 拓扑结构及参数设置 | 第55-57页 |
| ·遗传 MTANN 初始权值的学习 | 第57-58页 |
| ·基于改进遗传算法对 MTANN 权值的优化 | 第58-62页 |
| ·基于改进遗传算法优化的 MTANN 识别算法步骤 | 第62-64页 |
| ·实验仿真及结果 | 第64-69页 |
| ·网络训练结果分析 | 第64-66页 |
| ·性能指标的评估 | 第66-67页 |
| ·实验结果对比 | 第67-69页 |
| ·本章小结 | 第69-70页 |
| 第5章 结论和后续展望 | 第70-72页 |
| ·结论 | 第70-71页 |
| ·后续展望 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78页 |