摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
第一章 绪论 | 第11-24页 |
1.1 研究背景与意义 | 第11-14页 |
1.2 乳腺病灶良恶性分类的国内外研究现状 | 第14-21页 |
1.2.1 基于深度学习技术 | 第14-15页 |
1.2.2 基于超声弹性成像 | 第15-17页 |
1.2.3 基于乳腺B型图 | 第17-18页 |
1.2.4 基于超声回波RF信号 | 第18-20页 |
1.2.5 基于超声RF时间序列 | 第20-21页 |
1.3 论文主要工作及结构安排 | 第21-24页 |
1.3.1 论文主要工作 | 第21-22页 |
1.3.2 论文结构安排 | 第22-24页 |
第二章 时间序列分析基本理论及相关技术介绍 | 第24-33页 |
2.1 时域分析方法 | 第24页 |
2.2 频域分析方法 | 第24-25页 |
2.3 时频分析方法 | 第25页 |
2.4 非线性动力学分析方法 | 第25-26页 |
2.5 小波分析理论 | 第26-30页 |
2.5.1 小波分析概述 | 第26页 |
2.5.2 连续小波变换 | 第26-28页 |
2.5.3 离散小波变换 | 第28页 |
2.5.4 Mallat小波分解算法 | 第28-30页 |
2.6 特征降维算法 | 第30-31页 |
2.6.1 Relief-F | 第30页 |
2.6.2 PCA | 第30-31页 |
2.7 分类器 | 第31-32页 |
2.7.1 SVM | 第31-32页 |
2.7.2 随机森林 | 第32页 |
2.8 本章小结 | 第32-33页 |
第三章 乳腺病灶良恶性分类CAD系统设计 | 第33-43页 |
3.1 问题定义 | 第33页 |
3.2 可行性分析 | 第33页 |
3.3 系统设计 | 第33-37页 |
3.3.1 系统详细设计 | 第33-36页 |
3.3.2 系统流程图 | 第36-37页 |
3.4 系统开发 | 第37-42页 |
3.5 本章小结 | 第42-43页 |
第四章 特征提取与特征分布 | 第43-67页 |
4.1 特征提取 | 第43-53页 |
4.1.1 解决方案一特征群 | 第44-48页 |
4.1.2 解决方案二特征群 | 第48-53页 |
4.2 特征分布与特征降维 | 第53-65页 |
4.2.1 解决方案一特征分布 | 第53-55页 |
4.2.2 解决方案二特征分布 | 第55-63页 |
4.2.3 特征降维 | 第63-65页 |
4.3 本章小结 | 第65-67页 |
第五章 基于超声RF时间序列的乳腺病灶良恶性分类研究 | 第67-89页 |
5.1 研究样本采集 | 第67-68页 |
5.2 基于超声RF时间序列的乳腺病灶良恶性分类结果分析 | 第68-87页 |
5.2.1 分类结果 | 第68-69页 |
5.2.2 解决方案一分类结果 | 第69-73页 |
5.2.3 解决方案二分类结果 | 第73-77页 |
5.2.4 解决方案二Relief-F与PCA分类结果对比 | 第77-82页 |
5.2.5 两个解决方案的分类结果比较 | 第82-87页 |
5.3 本章小结 | 第87-89页 |
总结与展望 | 第89-90页 |
参考文献 | 第90-96页 |
攻读硕士学位期间取得的研究成果 | 第96-97页 |
致谢 | 第97-98页 |
附件 | 第98页 |