| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第17-25页 |
| 1.1 研究背景介绍及意义 | 第17页 |
| 1.2 国内外研究进展及现状 | 第17-21页 |
| 1.2.1 计算机辅助诊断系统 | 第17-19页 |
| 1.2.2 肺结节检测算法 | 第19-21页 |
| 1.3 计算机辅助诊断肺结节的重要性和面临的挑战 | 第21-22页 |
| 1.4 本文的主要创新点 | 第22-23页 |
| 1.5 本文章节安排 | 第23-25页 |
| 第2章 相关介绍 | 第25-39页 |
| 2.1 格式塔心理学介绍 | 第25-30页 |
| 2.1.1 格式塔产生背景 | 第25页 |
| 2.1.2 格式塔心理学主要观点及研究内容 | 第25-27页 |
| 2.1.3 格式塔心理学的贡献 | 第27-28页 |
| 2.1.4 格式塔心理学在计算机视觉的应用 | 第28-30页 |
| 2.2 CT图像及肺结节介绍 | 第30-34页 |
| 2.2.1 CT成像原理及其特点 | 第30-33页 |
| 2.2.2 肺结节定义及影像学表现 | 第33-34页 |
| 2.3 实验肺数据及医学图像评价标准 | 第34-39页 |
| 第3章 肺部图像预处理 | 第39-49页 |
| 3.1 引言 | 第39页 |
| 3.2 图像预处理 | 第39-43页 |
| 3.3 优化的高斯双模型 | 第43-45页 |
| 3.4 算法检测效果图 | 第45页 |
| 3.5 实验结果与分析 | 第45-47页 |
| 3.5.1 验证肺部图像预处理效果 | 第45-47页 |
| 3.5.2 验证优化高斯双模型效果 | 第47页 |
| 3.6 结论 | 第47-49页 |
| 第4章 肺结节检测算法 | 第49-89页 |
| 4.1 引言 | 第49-50页 |
| 4.2 基于平均密度投影和平移高斯模型的肺结节分割算法 | 第50-57页 |
| 4.2.1 平均密度投影 | 第50-53页 |
| 4.2.2 基于AIP序列图像的肺结节粗分割 | 第53-55页 |
| 4.2.3 基于平移高斯模型的精确分割 | 第55-56页 |
| 4.2.4 算法流程图 | 第56-57页 |
| 4.3 多体位协同的肺结节检测算法 | 第57-65页 |
| 4.3.1 CT图像重构 | 第58-60页 |
| 4.3.2 基于多位的AIP投影 | 第60-61页 |
| 4.3.3 肺结节检测特征 | 第61-65页 |
| 4.3.4 算法流程图 | 第65页 |
| 4.4 最大密度投影的肺结节检测算法 | 第65-69页 |
| 4.4.1 MIP的ROI提取 | 第66-68页 |
| 4.4.2 特征提取和分类算法 | 第68-69页 |
| 4.4.3 算法流程图 | 第69页 |
| 4.5 新策略的肺结节检测算法 | 第69-73页 |
| 4.5.1 血管特征提取 | 第70-72页 |
| 4.5.2 肺结节区域提取 | 第72页 |
| 4.5.3 算法流程图 | 第72-73页 |
| 4.6 实验结果与分析 | 第73-86页 |
| 4.6.1 验证AIP和平移高斯模型分割算法效果 | 第73-77页 |
| 4.6.2 验证多体位协同算法检测效果 | 第77-79页 |
| 4.6.3 验证MIP算法检测效果 | 第79-84页 |
| 4.6.4 验证新策略的肺结节检测算法效果 | 第84-86页 |
| 4.7 结论 | 第86-89页 |
| 第5章 肺结节形态征象检测算法 | 第89-97页 |
| 5.1 引言 | 第89-90页 |
| 5.2 孤立肺结节形态征象检测算法 | 第90-94页 |
| 5.2.1 肺结节边缘提取 | 第90-91页 |
| 5.2.2 肺结节边缘构成时间序列 | 第91-92页 |
| 5.2.3 基于递归图的肺结节形态征象检测 | 第92-94页 |
| 5.3 实验结果与分析 | 第94-96页 |
| 5.4 结论 | 第96-97页 |
| 第6章 总结与展望 | 第97-99页 |
| 参考文献 | 第99-109页 |
| 作者简介及在学期间发表的学术论文与研究成果 | 第109页 |