MRF模型在乳腺癌计算机辅助诊断中的应用研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 图像分割算法研究现状 | 第10-11页 |
| 1.2.2 特征提取算法研究现状 | 第11-12页 |
| 1.2.3 肿块良恶性检测研究现状 | 第12-13页 |
| 1.3 课题来源及主要研究内容 | 第13-15页 |
| 1.3.1 本文主要研究内容 | 第13-14页 |
| 1.3.2 本文章节安排 | 第14-15页 |
| 第二章 医学图像处理相关理论 | 第15-25页 |
| 2.1 乳腺钼靶X图像处理基本流程 | 第15页 |
| 2.2 医学图像分割算法 | 第15-17页 |
| 2.2.1 基于阈值的分割方法 | 第15-16页 |
| 2.2.2 基于区域的分割方法 | 第16页 |
| 2.2.3 基于边缘信息的分割方法 | 第16-17页 |
| 2.2.4 基于图的分割方法 | 第17页 |
| 2.3 医学图像的特征提取 | 第17-20页 |
| 2.3.1 灰度特征 | 第18-19页 |
| 2.3.2 形状特征 | 第19页 |
| 2.3.3 纹理特征 | 第19-20页 |
| 2.4 分类器介绍 | 第20-24页 |
| 2.4.1 Fisher线性判别分类器 | 第20-22页 |
| 2.4.2 随机森林分类器 | 第22页 |
| 2.4.3 K-近邻分类器 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于改进的MRF乳腺钼靶肿块分割算法 | 第25-45页 |
| 3.1 乳腺钼靶图像的预处理 | 第25-27页 |
| 3.1.1 去除背景干扰区域 | 第25-27页 |
| 3.1.2 乳腺钼靶图像去噪处理 | 第27页 |
| 3.2 乳腺钼靶图像SLIC预分割 | 第27-30页 |
| 3.2.1 SLIC预分割算法 | 第28-29页 |
| 3.2.2 预分割算法步骤 | 第29-30页 |
| 3.3 基于SLIC的MRF分割算法 | 第30-35页 |
| 3.3.1 构建基于正六边形超像素的邻域系统 | 第30-31页 |
| 3.3.2 构建基于邻域系统N_x的MRF模型 | 第31-32页 |
| 3.3.3 Gibbs分布与MRF等价性 | 第32-34页 |
| 3.3.4 乳腺钼靶X图像分割算法 | 第34-35页 |
| 3.4 实验结果与分析 | 第35-43页 |
| 3.4.1 分割效果 | 第35-42页 |
| 3.4.2 定量分析 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第四章 乳腺肿块特征提取及分类 | 第45-63页 |
| 4.1 乳腺肿块特征提取 | 第45-55页 |
| 4.1.1 灰度特征的提取 | 第45-46页 |
| 4.1.2 形状及边缘特征的提取 | 第46-48页 |
| 4.1.3 基于改进的LBP算法提取纹理特征 | 第48-55页 |
| 4.2 支持向量机 | 第55-58页 |
| 4.3 实验结果与分析 | 第58-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 本文总结 | 第63-64页 |
| 5.2 研究展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-73页 |
| 攻读学位期间发表的学术论文 | 第73页 |
