| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 选题背景及意义 | 第10页 |
| 1.2 甲状腺超声图像的成像原理与特点 | 第10-12页 |
| 1.3 超声甲状腺良恶性结节的差异性表现 | 第12-14页 |
| 1.4 本文的主要研究内容及组织结构 | 第14-15页 |
| 1.4.1 甲状腺肿瘤区域的分割 | 第14页 |
| 1.4.2 基于可变参数的甲状腺结节区域描述 | 第14-15页 |
| 1.4.3 多示例学习算法与局部纹理特征结合 | 第15页 |
| 1.5 本文的结构安排 | 第15-17页 |
| 第二章 甲状腺超声图像肿瘤区域的分割 | 第17-27页 |
| 2.1 超声图像肿瘤区域分割方法综述 | 第17-22页 |
| 2.1.1 基于边缘检测的分割方法 | 第17-18页 |
| 2.1.2 基于区域的分割方法 | 第18页 |
| 2.1.3 基于人工神经网络的分割方法 | 第18-19页 |
| 2.1.4 基于活动轮廓模型的分割方法 | 第19-22页 |
| 2.2 分割算法性能评估 | 第22-25页 |
| 2.3 本章小结 | 第25-27页 |
| 第三章 基于可变参数局部纹理信息的甲状腺肿瘤分类 | 第27-47页 |
| 3.1 基于局部纹理信息的甲状腺肿瘤区域描述 | 第27-30页 |
| 3.2 局部纹理特征的提取 | 第30-34页 |
| 3.3 超声图像特征提取方法概述 | 第34-36页 |
| 3.3.1 基于纹理信息的特征提取方法 | 第34-35页 |
| 3.3.2 基于形状信息的特征提取方法 | 第35-36页 |
| 3.4 常用肿瘤分类方法综述 | 第36-39页 |
| 3.4.1 基于支持向量机的分类方法概述 | 第36-38页 |
| 3.4.2 基于Adaboost的分类方法概述 | 第38-39页 |
| 3.5 实验结果及其分析 | 第39-45页 |
| 3.5.1 实验数据 | 第39-41页 |
| 3.5.2 分类的评价标准 | 第41-42页 |
| 3.5.3 实验结果及其分析 | 第42-44页 |
| 3.5.4 实验对比 | 第44-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 基于多示例学习与局部纹理特征相结合的甲状腺肿瘤分类研究 | 第47-55页 |
| 4.1 多示例学习概念 | 第47-50页 |
| 4.1.1 多示例问题 | 第47-48页 |
| 4.1.2 多示例学习 | 第48-49页 |
| 4.1.3 多示例学习算法研究 | 第49-50页 |
| 4.2 超声甲状腺肿瘤多示例包的构建 | 第50-51页 |
| 4.3 实验结果 | 第51-54页 |
| 4.3.1 基于多示例学习算法的分类实验 | 第51-52页 |
| 4.3.2 对比实验结果与分析 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 总结与展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第62页 |