基于SVM的肺结节分割与识别
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 肺部分割及肺结节识别的研究现状 | 第9-11页 |
| 1.3 本文研究内容 | 第11-12页 |
| 第2章 CT图像分割方法 | 第12-21页 |
| 2.1 图像分割概述 | 第12-18页 |
| 2.1.1 基于图像特征一致性的分割方法 | 第14-17页 |
| 2.1.2 基于图像棱边提取和目标抽取的分割方法 | 第17-18页 |
| 2.2 基于SVM的分割识别方法的优势 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 第3章 CT图像的肺实质分割 | 第21-37页 |
| 3.1 图像预处理 | 第21页 |
| 3.2 胸廓提取 | 第21-22页 |
| 3.3 肺部的识别 | 第22-29页 |
| 3.3.1 模糊C均值聚类 | 第23-24页 |
| 3.3.2 空气填充区域的检测 | 第24页 |
| 3.3.3 大型气管区域的消除 | 第24页 |
| 3.3.4 左右肺的分离 | 第24-25页 |
| 3.3.5 肺部轮廓的校正 | 第25页 |
| 3.3.6 迭代加权平均 | 第25-27页 |
| 3.3.7 基于曲率阈值的校正 | 第27-29页 |
| 3.4 肺部分割结果及讨论 | 第29-36页 |
| 3.4.1 参数的设定 | 第29-30页 |
| 3.4.2 在临床数据上的应用 | 第30-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 肺结节的特征提取 | 第37-49页 |
| 4.1 特征的评价准则 | 第37-38页 |
| 4.2 使用统计检验作为可分性判据 | 第38-39页 |
| 4.3 特征选择 | 第39-43页 |
| 4.3.1 特征选择算法概述 | 第39-42页 |
| 4.3.2 特征选择算法的步骤设计 | 第42-43页 |
| 4.4 肺结节的特征提取 | 第43-48页 |
| 4.4.1 灰度特征提取 | 第45页 |
| 4.4.2 形态特征提取 | 第45-46页 |
| 4.4.3 肺结节的纹理特征提取 | 第46页 |
| 4.4.4 特征提取的结果 | 第46-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于SVM的肺结节分类识别 | 第49-67页 |
| 5.1 统计学习理论 | 第49-51页 |
| 5.1.1 经验风险最小化原理(ERM) | 第50页 |
| 5.1.2 VC维 | 第50-51页 |
| 5.1.3 结构风险最小化 | 第51页 |
| 5.2 支持向量机 | 第51-52页 |
| 5.3 顺序最小优化算法(SMO) | 第52-57页 |
| 5.3.1 SVM训练的各种方法 | 第52-53页 |
| 5.3.2 顺序最小优化(SMO)的简介 | 第53页 |
| 5.3.3 SMO的原理 | 第53-57页 |
| 5.4 肺结节样本的训练 | 第57-61页 |
| 5.5 肺结节的分类结果 | 第61-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-69页 |
| 6.1 本文工作总结 | 第67-68页 |
| 6.2 课题后续展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73页 |
