| 摘要 | 第1-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第8-13页 |
| ·引言 | 第8页 |
| ·颈动脉狭窄的超声检查 | 第8-11页 |
| ·国内外研究现状 | 第11页 |
| ·本论文的工作和创新点 | 第11-13页 |
| 第二章 颈动脉B型超声图像中内中膜的提取 | 第13-31页 |
| ·颈动脉B型超声图像提取内中膜的理论基础 | 第13-14页 |
| ·启发式A~*算法介绍 | 第14-18页 |
| ·人工智能简介 | 第15页 |
| ·状态空间法与搜索技术 | 第15-16页 |
| ·启发式A~*算法 | 第16-18页 |
| ·基于启发式A~*算法的内中膜提取 | 第18-27页 |
| ·ROI的选择 | 第18-19页 |
| ·ROI的预处理 | 第19-20页 |
| ·血管腔中心定位 | 第20-21页 |
| ·内膜的提取 | 第21-25页 |
| ·(?)(n)的计算 | 第22-23页 |
| ·(?)(n)的估计 | 第23-24页 |
| ·起始点和终止点的确立 | 第24页 |
| ·后继节点的选择 | 第24-25页 |
| ·中膜的提取 | 第25-27页 |
| ·外膜定位 | 第25页 |
| ·初始边缘寻找 | 第25-26页 |
| ·中膜提取 | 第26-27页 |
| ·内中膜厚度和管径计算 | 第27页 |
| ·实验结果与分析 | 第27-30页 |
| ·小结 | 第30-31页 |
| 第三章 颈动脉超声多普勒血流信号特征参数提取 | 第31-43页 |
| ·超声多普勒技术 | 第31-32页 |
| ·最大频率曲线提取方法 | 第32-37页 |
| ·百分比法提取最大频率曲线 | 第33-34页 |
| ·改进的百分比法提取最大频率曲线 | 第34-35页 |
| ·小波变换多尺度分析提取最大频率曲线 | 第35-37页 |
| ·基于启发式A~*算法的最大频率曲线提取 | 第37-39页 |
| ·ROI的选择和预处理 | 第37-38页 |
| ·最大频率曲线提取 | 第38-39页 |
| ·最大频率曲线中特征参数的提取 | 第39页 |
| ·实验结果与分析 | 第39-41页 |
| ·小结 | 第41-43页 |
| 第四章 基于集成学习技术的颈动脉粥样硬化判别 | 第43-59页 |
| ·集成学习理论基础 | 第43-45页 |
| ·集成学习概述 | 第43-44页 |
| ·集成学习算法介绍 | 第44-45页 |
| ·人工神经网络 | 第45-48页 |
| ·BP网络的基本原理 | 第45-48页 |
| ·人工神经网络集成的应用 | 第48页 |
| ·基于Adaboost-BP算法颈动脉粥样硬化计算机判别系统 | 第48-52页 |
| ·Adaboost基本原理 | 第48-51页 |
| ·BP网络设计 | 第51-52页 |
| ·BP网络拓扑结构的选择 | 第51页 |
| ·BP网络的参数设定 | 第51-52页 |
| ·BP网络输入特征参数预处理 | 第52页 |
| ·BP网络输入样本划分 | 第52页 |
| ·实验结果与比较 | 第52-58页 |
| ·单个BP网络分类结果 | 第53-55页 |
| ·基于Adaboost-BP网络集成算法分类结果 | 第55-58页 |
| ·小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| ·工作总结 | 第59页 |
| ·工作展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 附录:硕士期间发表论文目录 | 第65-66页 |
| 致谢 | 第66-67页 |