乳腺X线图像微钙化点检测方法研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 引言 | 第11-16页 |
| ·课题背景 | 第11页 |
| ·乳腺影像学诊断方法 | 第11-12页 |
| ·乳腺X线图像中微钙化点检测 | 第12-14页 |
| ·微钙化点的表现特征 | 第12-13页 |
| ·计算机辅助技术用于微钙化点检测 | 第13页 |
| ·微钙化点检测的研究现状 | 第13-14页 |
| ·论文组织和研究方法 | 第14-16页 |
| 2 乳腺X线图像前期处理 | 第16-20页 |
| ·图像预处理 | 第16-17页 |
| ·乳腺区域提取 | 第17-19页 |
| ·本章小结 | 第19-20页 |
| 3 感兴趣区域(ROI)提取 | 第20-42页 |
| ·感兴趣区域提取方法 | 第20-21页 |
| ·数学形态学算法提取感兴趣区域 | 第20页 |
| ·小波算法提取感兴趣区域 | 第20-21页 |
| ·其他算法提取感兴趣区域 | 第21页 |
| ·独立分量分析(ICA)提取感兴趣区域 | 第21-28页 |
| ·ICA在乳腺X线图像中的应用现状 | 第22页 |
| ·ICA的数学描述及假设模型 | 第22-23页 |
| ·ICA算法 | 第23-24页 |
| ·混合信号预处理 | 第24页 |
| ·FastICA算法 | 第24-26页 |
| ·独立分量空间的投影系数 | 第26-28页 |
| ·人工神经网络 | 第28-31页 |
| ·神经元 | 第28-29页 |
| ·神经网络分类及学习过程 | 第29-31页 |
| ·支持向量机 | 第31-34页 |
| ·可分模式最优超平面 | 第31-32页 |
| ·最优超平面的二次最优化 | 第32-33页 |
| ·核函数 | 第33-34页 |
| ·实验过程及结果 | 第34-41页 |
| ·乳腺X线图像的特征向量 | 第34-36页 |
| ·神经网络分类 | 第36-38页 |
| ·支持向量机分类 | 第38-40页 |
| ·实验结果 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 4 乳腺X线图像微钙化点检测 | 第42-54页 |
| ·数学形态学Top-Hat算法 | 第42-44页 |
| ·小波分析 | 第44-49页 |
| ·离散小波变换 | 第44-45页 |
| ·小波加权处理 | 第45-46页 |
| ·小波阈值去噪 | 第46-48页 |
| ·图像质量评价标准 | 第48-49页 |
| ·实验分析与结果 | 第49-52页 |
| ·实验分析 | 第49-50页 |
| ·小波去噪 | 第50-51页 |
| ·钙化点增强 | 第51页 |
| ·实验结果 | 第51-52页 |
| ·本章小结 | 第52-54页 |
| 5 全文总结和展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 作者简历 | 第59-61页 |
| 学位论文数据集 | 第61页 |
