| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-23页 |
| 1.1 课题研究背景与意义 | 第12-13页 |
| 1.2 医学图像语义检索技术国内外研究及发展现状 | 第13-16页 |
| 1.3 医学图像语义检索关键技术 | 第16-21页 |
| 1.3.1 图像语义模型 | 第16-19页 |
| 1.3.2 图像语义映射方法 | 第19-20页 |
| 1.3.3 医学图像的语义表达及其提取 | 第20-21页 |
| 1.4 论文的主要研究内容和结构 | 第21-23页 |
| 第2章 胸部CT影像的感兴趣区域提取 | 第23-38页 |
| 2.1 胸部CT影像的正常影像学表现 | 第23-24页 |
| 2.2 胸部CT影像的病变表现 | 第24-25页 |
| 2.3 活动轮廓模型—蛇形 | 第25-29页 |
| 2.3.1 Snake模型 | 第25-27页 |
| 2.3.2 GVF-Snake模型 | 第27-29页 |
| 2.4 基于改进的GVF-Snake模型的医学图像边界提取 | 第29-33页 |
| 2.4.1 基于动态网格自适应的蛇点优化处理 | 第29-32页 |
| 2.4.2 基于变高斯的GVF迭代计算 | 第32-33页 |
| 2.5 实验结果及分析 | 第33-37页 |
| 2.5.1 胸部CT图像背景区域的去除 | 第33-34页 |
| 2.5.2 胸部CT图像感兴趣区域的提取 | 第34-36页 |
| 2.5.3 分割评价 | 第36-37页 |
| 2.6 本章小结 | 第37-38页 |
| 第3章 医学图像视觉特征的提取及特征维数约减 | 第38-64页 |
| 3.1 胸部CT影像多种特征提取 | 第38-49页 |
| 3.1.1 灰度直方图统计特征 | 第38-40页 |
| 3.1.2 灰度共生矩阵纹理特征 | 第40-42页 |
| 3.1.3 Tamura纹理特征 | 第42-43页 |
| 3.1.4 Gabor小波纹理特征 | 第43-45页 |
| 3.1.5 SIFT特征 | 第45-48页 |
| 3.1.6 特征向量归一化 | 第48-49页 |
| 3.2 基于重建权重调节的有监督局部保持特征降维 | 第49-57页 |
| 3.2.1 局部保留准则 | 第50-51页 |
| 3.2.2 局部保持映射算法 | 第51-53页 |
| 3.2.3 有监督的局部保留算法 | 第53-55页 |
| 3.2.4 重建权重参数调整 | 第55-57页 |
| 3.3 实验结果及分析 | 第57-63页 |
| 3.3.1 视觉特征提取结果 | 第57-59页 |
| 3.3.2 基于不同视觉特征的图像检索结果 | 第59-61页 |
| 3.3.3 特征降维对检索结果的影响分析 | 第61-63页 |
| 3.4 本章小结 | 第63-64页 |
| 第4章 基于多层机器学习的医学图像语义映射 | 第64-82页 |
| 4.1 胸部CT影像病变表现语义及其层次模型 | 第64-68页 |
| 4.1.1 胸部CT影像病症表现语义分析 | 第64-67页 |
| 4.1.2 医学图像语义层次模型构建 | 第67-68页 |
| 4.2 医学图像多层语义映射策略 | 第68-69页 |
| 4.3 基于SVM医学图像语义粗映射 | 第69-72页 |
| 4.3.1 支持向量机映射原理 | 第69-70页 |
| 4.3.2 二叉树SVM分类法 | 第70-71页 |
| 4.3.3 二叉树SVM的层次设计 | 第71-72页 |
| 4.4 基于MIL医学图像语义细映射 | 第72-76页 |
| 4.4.1 MIL检索原理 | 第72-73页 |
| 4.4.2 示例向量构造 | 第73-74页 |
| 4.4.3 基于期望最大-多样性密度的多示例学习算法 | 第74-76页 |
| 4.4.4 基于MIL的语义映射 | 第76页 |
| 4.5 实验结果与分析 | 第76-81页 |
| 4.5.1 利用SVM语义粗映射结果 | 第76-78页 |
| 4.5.2 利用MIL语义细映射结果 | 第78-81页 |
| 4.5.3 本文算法与其它算法比较 | 第81页 |
| 4.6 本章小结 | 第81-82页 |
| 第5章 基于混合迁移学习的医学图像检索 | 第82-102页 |
| 5.1 迁移学习理论 | 第82-85页 |
| 5.1.1 迁移学习的基本概念 | 第82-83页 |
| 5.1.2 迁移学习的分类 | 第83-85页 |
| 5.2 问题的提出与迁移学习引入的分析 | 第85-86页 |
| 5.3 融合实例迁移的多任务稀疏特征学习方法 | 第86-95页 |
| 5.3.1 多任务学习下稀疏特征学习 | 第86-93页 |
| 5.3.2 混合迁移学习方法的提出 | 第93-95页 |
| 5.4 基于混合迁移学习方法的医学图像检索及语义标注 | 第95-98页 |
| 5.4.1 Bag of Feature模型 | 第95-97页 |
| 5.4.2 基于融合实例迁移的多任务稀疏特征学习的语义预测算法 | 第97-98页 |
| 5.5 实验结果及分析 | 第98-100页 |
| 5.6 本章小结 | 第100-102页 |
| 结论 | 第102-104页 |
| 参考文献 | 第104-114页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第114-115页 |
| 致谢 | 第115页 |
