| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·研究背景及意义 | 第7-8页 |
| ·传统计算机辅助检测研究现状 | 第8-10页 |
| ·多示例学习研究现状 | 第10-12页 |
| ·多示例学习在肺部计算机辅助检测中的研究现状 | 第12页 |
| ·本文研究内容 | 第12-13页 |
| ·本文章节结构 | 第13-15页 |
| 第二章 面向肺部CT图像的多示例包和示例构建 | 第15-25页 |
| ·面向肺部CT图像的多示例包的构建方法 | 第15-18页 |
| ·经典的基于图像的多示例包的构建方法 | 第15-17页 |
| ·面向肺部CT图像的多示例包的构建方法 | 第17-18页 |
| ·一种面向肺部CT图像的新颖的多示例包和示例构建方法 | 第18-23页 |
| ·肺部CT图像的预处理 | 第18-19页 |
| ·肺实质分割 | 第19-20页 |
| ·感兴趣区域提取 | 第20-21页 |
| ·一种改进的多示例包和示例的构建 | 第21页 |
| ·特征提取 | 第21-23页 |
| ·本章小结 | 第23-25页 |
| 第三章 基于肺部CT图像的多示例学习算法比较 | 第25-35页 |
| ·基于肺部CT图像的多示例算法 | 第25-31页 |
| ·基于APR(AXIS-PARALLEL RECTANGLES)算法的计算机辅助肺结节检测 | 第25-26页 |
| ·基于DD算法的计算机辅助肺结节检测 | 第26-28页 |
| ·EMDD-CAND | 第28页 |
| ·基于KNN多示例算法的计算机辅助肺结节检测 | 第28-29页 |
| ·基于集成多示例算法的计算机辅助肺结节检测 | 第29-31页 |
| ·基于肺部CT图像的多示例算法实验结果分析 | 第31-32页 |
| ·实验数据 | 第31页 |
| ·实验结果 | 第31-32页 |
| ·本章小结 | 第32-35页 |
| 第四章 基于多示例学习的计算机辅助肺结节检测 | 第35-43页 |
| ·一种改进的基于多示例学习的计算机辅助肺结节检测算法框架 | 第35-36页 |
| ·基于PCA的MIL-CAND优化 | 第36-38页 |
| ·实验结果和分析 | 第38-40页 |
| ·本章小结 | 第40-43页 |
| 第五章 有效去噪的多示例计算机辅助肺结节检测 | 第43-49页 |
| ·问题的提出 | 第43-44页 |
| ·有效去噪的多示例计算机辅助肺结节检测框架 | 第44-48页 |
| ·基于KMEANS算法的正包集和负包集去噪 | 第44-46页 |
| ·逆DD算法 | 第46页 |
| ·基于朴素贝叶斯的多示例分类算法 | 第46-48页 |
| ·实验结果和分析 | 第48页 |
| ·本章小结 | 第48-49页 |
| 结论 | 第49-53页 |
| 参考文献 | 第53-59页 |
| 攻读硕士学位期间取得的学术成果 | 第59-61页 |
| 致谢 | 第61页 |
