| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状 | 第10-14页 |
| 1.2.1 多源乳腺图像诊断研究现状 | 第10-12页 |
| 1.2.2 乳腺肿瘤特征级融合算法研究现状 | 第12-13页 |
| 1.2.3 分类算法研究现状 | 第13-14页 |
| 1.3 研究内容和创新点 | 第14-16页 |
| 1.4 本文的组织架构 | 第16-17页 |
| 第二章 基于多源影像的乳腺肿瘤特征融合算法研究 | 第17-29页 |
| 2.1 引言 | 第17-18页 |
| 2.2 基于典型相关分析的语义特征组融合算法研究 | 第18-25页 |
| 2.2.1 基于区域增长的图像分割 | 第18-20页 |
| 2.2.2 语义特征的产生和分组 | 第20-22页 |
| 2.2.3 融合算法实现原理 | 第22-25页 |
| 2.3 实验结果与分析 | 第25-28页 |
| 2.3.1 实验数据和评价指标 | 第25页 |
| 2.3.2 实验设计 | 第25-26页 |
| 2.3.3 实验结果分析 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于融合特征的加权集成分类算法研究 | 第29-39页 |
| 3.1 引言 | 第29-30页 |
| 3.2 基于KELM的加权集成分类算法 | 第30-36页 |
| 3.2.1 核函数 | 第30-31页 |
| 3.2.2 极限学习机 | 第31-32页 |
| 3.2.3 集成学习实现原理 | 第32-36页 |
| 3.3 实验结果与分析 | 第36-38页 |
| 3.3.1 实验设计 | 第36页 |
| 3.3.2 实验结果分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 结合RandomSubspace和AdaboostELM的集成乳腺肿瘤分类 | 第39-49页 |
| 4.1 引言 | 第39-40页 |
| 4.2 结合RandomSubspace和AdaboostELM的集成分类算法 | 第40-45页 |
| 4.2.1 RandomSubspace算法 | 第40-41页 |
| 4.2.2 AdaboostELM算法 | 第41-42页 |
| 4.2.3 集成分类实现原理 | 第42-45页 |
| 4.3 实验结果与分析 | 第45-47页 |
| 4.3.1 实验设计 | 第45-46页 |
| 4.3.2 实验结果分析 | 第46-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 工作总结 | 第49-50页 |
| 5.2 不足及展望 | 第50-51页 |
| 参考文献 | 第51-57页 |
| 攻读硕士学位期间取得的科研成果 | 第57-59页 |
| 致谢 | 第59-60页 |