超声图像甲状腺肿瘤自动检测方法研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 引言 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 论文主要内容和结构安排 | 第15-16页 |
| 1.4 论文使用的数据及实验条件 | 第16-17页 |
| 第2章 甲状腺肿瘤感兴趣区域的自动检测 | 第17-29页 |
| 2.1 概述 | 第17-18页 |
| 2.2 感兴趣区域的自动检测 | 第18-26页 |
| 2.2.1 图像预处理 | 第19-21页 |
| 2.2.2 纹理特征提取 | 第21-24页 |
| 2.2.2.1 局部纹理特征 | 第22-23页 |
| 2.2.2.2 局部灰度共生矩阵特征 | 第23-24页 |
| 2.2.2.3 子图特征选择 | 第24页 |
| 2.2.3 ROI提取 | 第24-26页 |
| 2.2.4 ROI选择 | 第26页 |
| 2.3 实验结果及讨论 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 甲状腺肿瘤边缘的自动分割 | 第29-44页 |
| 3.1 概述 | 第29页 |
| 3.2 传统的图像分割技术 | 第29-32页 |
| 3.2.1 基于阈值的图像分割 | 第29-30页 |
| 3.2.2 基于边缘检测的图像分割 | 第30-32页 |
| 3.3 Normalized Cut自动提取边缘 | 第32-39页 |
| 3.3.1 相干斑抑制各向异性扩散 | 第32-33页 |
| 3.3.2 Normalized Cut自动分割 | 第33-38页 |
| 3.3.3 边缘局部调整 | 第38-39页 |
| 3.4 实验结果及讨论 | 第39-43页 |
| 3.4.1 分割准确性 | 第39-42页 |
| 3.4.2 分割效率 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 甲状腺肿瘤良恶性判别 | 第44-58页 |
| 4.1 概述 | 第44页 |
| 4.2 甲状腺肿瘤的特征提取 | 第44-48页 |
| 4.2.1 形态学特征 | 第45-47页 |
| 4.2.2 纹理特征 | 第47-48页 |
| 4.3 传统的良恶性判别方法 | 第48-51页 |
| 4.3.1 Fisher线性判别 | 第48-49页 |
| 4.3.2 反向传播人工神经网络 | 第49-50页 |
| 4.3.3 支持向量机 | 第50-51页 |
| 4.4 基于AP的良恶性判别 | 第51-52页 |
| 4.5 实验结果与讨论 | 第52-57页 |
| 4.5.1 各分类器良恶性分类结果 | 第52-54页 |
| 4.5.2 各分类器判别性能讨论 | 第54-55页 |
| 4.5.3 ROC曲线分析 | 第55-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 甲状腺肿瘤自动检测过程展示 | 第58-62页 |
| 5.1 自动检测过程介绍 | 第58页 |
| 5.2 自动检测及判别结果的可视化 | 第58-61页 |
| 5.2.1 肿瘤感兴趣区域自动检测部分 | 第59-60页 |
| 5.2.2 肿瘤边缘自动分割部分 | 第60-61页 |
| 5.2.3 肿瘤良恶性判别部分 | 第61页 |
| 5.3 本章小结 | 第61-62页 |
| 结论与展望 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间参与科研项目 | 第69页 |
