| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 课题研究背景与意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 基于DICOM序列影像的CAD系统的国内外现状 | 第12-14页 |
| 1.3 本文的主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第二章 DICOM资源和肺结节特点解析 | 第16-27页 |
| 2.1 DICOM资源的解析 | 第16-22页 |
| 2.1.1 DICOM图像的解析 | 第16-21页 |
| 2.1.2 肺结节xml信息的解析 | 第21-22页 |
| 2.2 肺结节CT的影像特点及其分析 | 第22-23页 |
| 2.3 肺结节检测流程分析 | 第23-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 肺实质的自动化分割研究 | 第27-35页 |
| 3.1 肺部图像预处理 | 第27-28页 |
| 3.2 肺实质区域分割 | 第28-32页 |
| 3.2.1 图像分割方法概述 | 第28-29页 |
| 3.2.2 本文肺实质分割方法 | 第29-32页 |
| 3.3 肺实质分割结果 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 肺实质的结节增强算法研究 | 第35-46页 |
| 4.1 图像增强算法理论研究 | 第35-36页 |
| 4.2 混合空间增强法 | 第36-40页 |
| 4.2.1 LoG算子（Laplacian of Gaussian）变换 | 第37-38页 |
| 4.2.2 Sobel梯度变换 | 第38-39页 |
| 4.2.3 平滑滤波处理 | 第39页 |
| 4.2.4 实验结果 | 第39-40页 |
| 4.3 基于HESSIAN矩阵的多尺度增强算法 | 第40-45页 |
| 4.3.1 基于高斯函数的初始增强 | 第41-42页 |
| 4.3.2 Hessian矩阵构造 | 第42-43页 |
| 4.3.3 基于圆形增强滤波器的构造 | 第43-44页 |
| 4.3.4 多尺度滤波器的应用 | 第44页 |
| 4.3.5 实验结果 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 序列影像的自动分割算法研究 | 第46-56页 |
| 5.1 基于边缘轮廓检测的LIVE-WIRE序列分割算法 | 第46-51页 |
| 5.1.1 基于边缘检测的轮廓提取 | 第47-48页 |
| 5.1.2 基于参考信息的轮廓提取 | 第48-50页 |
| 5.1.3 实验结果 | 第50-51页 |
| 5.2 基于标记模板的局部区域生长序列分割算法 | 第51-54页 |
| 5.2.1 传统的区域生长算法 | 第51-52页 |
| 5.2.2 本文的序列分割方法 | 第52-53页 |
| 5.2.3 实验结果 | 第53-54页 |
| 5.3 本章总结 | 第54-56页 |
| 第六章 疑似肺结节的检测与分类算法研究 | 第56-71页 |
| 6.1 概述 | 第56-57页 |
| 6.2 检测分类器优化方式和评价标准 | 第57-58页 |
| 6.3 感兴趣区域的提取检测 | 第58页 |
| 6.4 肺结节特征提取 | 第58-66页 |
| 6.4.1 灰度特征 | 第58-59页 |
| 6.4.2 形状特征 | 第59-61页 |
| 6.4.3 位置特征 | 第61页 |
| 6.4.4 纹理特征 | 第61-63页 |
| 6.4.5 其它特征 | 第63页 |
| 6.4.6 疑似肺结节的特征选择 | 第63-66页 |
| 6.5 肺结节判别分类 | 第66-68页 |
| 6.5.1 SVM算法原理 | 第66-68页 |
| 6.5.2 基于RBF核函数SVM的分类算法 | 第68页 |
| 6.6 实验结果 | 第68-70页 |
| 6.7 本章小结 | 第70-71页 |
| 第七章 总结与展望 | 第71-73页 |
| 7.1 本文工作总结 | 第71-72页 |
| 7.2 后续工作与展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士期间取得的成果 | 第78-79页 |
