基于主成分分析网络与支持向量机的肺结节辅助诊断
摘要 | 第7-8页 |
Abstract | 第8-9页 |
第1章 绪论 | 第10-16页 |
1.1 课题的研究意义 | 第10-12页 |
1.1.1 计算机辅助诊断 | 第10-11页 |
1.1.2 肺部辅助诊断 | 第11-12页 |
1.2 国内外研究现状 | 第12-14页 |
1.3 论文框架 | 第14-16页 |
第2章 深度学习原理及分类器算法原理 | 第16-33页 |
2.1 主成分网络的基本原理 | 第16-25页 |
2.1.1 神经网络与深度学习的基本原理 | 第16-20页 |
2.1.2 深度学习原理 | 第20-22页 |
2.1.3 主成分分析网络原理 | 第22-25页 |
2.1.3.1 输入层 | 第23页 |
2.1.3.2 中间层 | 第23-24页 |
2.1.3.3 输出层 | 第24-25页 |
2.2 二维主成分分析 | 第25-27页 |
2.2.1 二维主成分分析 | 第25-26页 |
2.2.2 主成分分析计算过程 | 第26-27页 |
2.3 支持向量机(SVM) | 第27-30页 |
2.4 主成分分析网络与支持向量机 | 第30-33页 |
第3章 算法实现 | 第33-41页 |
3.1 X线胸片数据库 | 第33-35页 |
3.2 数据预处理 | 第35页 |
3.3 主成分分析网络算法实现 | 第35-36页 |
3.4 二维主成分分析算法实现 | 第36-38页 |
3.5 支持向量机算法实现 | 第38-39页 |
3.6 PCANet与SVM算法合并实现 | 第39-41页 |
第4章 结果与分析 | 第41-48页 |
4.1 软件系统 | 第41-43页 |
4.1.1 界面 | 第41-42页 |
4.1.2 功能模块 | 第42-43页 |
4.2 结果与分析 | 第43-45页 |
4.2.1 特征提取结果 | 第43-45页 |
4.2.2 分类器结果 | 第45页 |
4.3 分类准确率与时间 | 第45-48页 |
第5章 总结与展望 | 第48-50页 |
5.1 总结 | 第48页 |
5.2 展望 | 第48-50页 |
致谢 | 第50-51页 |
参考文献 | 第51-54页 |