| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究目的和意义 | 第11-12页 |
| 1.2 乳腺癌 CAD 的研究概况与发展趋势 | 第12-13页 |
| 1.3 失衡数据研究概况 | 第13-15页 |
| 1.3.1 国外研究现状 | 第13-14页 |
| 1.3.2 国内研究概况 | 第14-15页 |
| 1.4 本课题研究的主要内容 | 第15-17页 |
| 1.4.1 课题来源 | 第15-16页 |
| 1.4.2 课题的主要研究内容 | 第16-17页 |
| 第2章 乳腺图像处理 | 第17-28页 |
| 2.1 乳腺癌自动诊断的一般流程 | 第17-19页 |
| 2.2 乳腺钼靶 X 摄片处理 | 第19-24页 |
| 2.2.1 X 摄片图像预处理 | 第19-22页 |
| 2.2.2 图像特征提取 | 第22-24页 |
| 2.3 基于粗糙集特征约简方法 | 第24-27页 |
| 2.3.1 粗糙集的基本理论 | 第25-26页 |
| 2.3.2 基于遗传算法的粗糙集属性约简方法 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于失衡数据集的乳腺癌检测 | 第28-36页 |
| 3.1 失衡数据的解决方法 | 第28-30页 |
| 3.2 基于 DENCLUE 密度分布聚类 | 第30-31页 |
| 3.3 基于聚类簇边界的采样方法 | 第31-35页 |
| 3.3.1 基于密度聚类的方法 | 第31-33页 |
| 3.3.2 基于邻域的簇边界确定方法 | 第33-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于集成学习的分类方法 | 第36-47页 |
| 4.1 支持向量机 | 第36-40页 |
| 4.1.1 支持向量机原理 | 第36-38页 |
| 4.1.2 常用核函数 | 第38-39页 |
| 4.1.3 核函数在在乳腺癌诊断中的应用 | 第39-40页 |
| 4.2 集成学习方法 | 第40-45页 |
| 4.2.1 集成学习基本概念 | 第40-41页 |
| 4.2.2 分类器集成的主要算法 | 第41-43页 |
| 4.2.3 基于 Adaboost-SVM 的分类算法 | 第43-45页 |
| 4.3 实验与分析 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 基于失衡数据早期乳腺癌检测应用 | 第47-58页 |
| 5.1 乳腺癌辅助检测系统构架 | 第47-48页 |
| 5.2 模块设计 | 第48-50页 |
| 5.3 计算机辅助乳腺癌检测的评价指标 | 第50-52页 |
| 5.4 实验验证 | 第52-56页 |
| 5.4.1 CBS 预处理算法模块 | 第52-54页 |
| 5.4.2 集成学习算法模块 | 第54-55页 |
| 5.4.3 粗糙集数据约简方法模块 | 第55-56页 |
| 5.5 本章小结 | 第56-58页 |
| 结论 | 第58-59页 |
| 参考文献 | 第59-66页 |
| 攻读硕士学位期间发表的学术论文 | 第66-67页 |
| 致谢 | 第67页 |