| 中文摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 医学图像CAD的研究现状和发展 | 第11-12页 |
| 1.3 肝脏疾病CAD技术的研究现状 | 第12-13页 |
| 1.3.1 子空间学习和统计表观模型的发展 | 第12页 |
| 1.3.2 肝脏疾病CAD的研究现状 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第2章 相关技术介绍 | 第14-34页 |
| 2.1 CT技术的基础 | 第14-16页 |
| 2.1.1 CT成像原理和图像格式标准 | 第14-15页 |
| 2.1.2 肝脏疾病CAD技术 | 第15-16页 |
| 2.2 特征选择和特征提取技术 | 第16-17页 |
| 2.2.1 纹理特征的选择和提取技术 | 第16-17页 |
| 2.2.2 形状特征的选择和提取技术 | 第17页 |
| 2.3 张量 | 第17-20页 |
| 2.3.1 张量的表示 | 第18页 |
| 2.3.2 张量的运算 | 第18-20页 |
| 2.4 分类器设计方法 | 第20-30页 |
| 2.4.1 Fisher线性分类器 | 第21-23页 |
| 2.4.2 KNN分类器 | 第23页 |
| 2.4.3 人工神经网络 | 第23-26页 |
| 2.4.4 支持向量机 | 第26-27页 |
| 2.4.5 线性不可分支持向量机 | 第27-28页 |
| 2.4.6 非线性可分支持向量机 | 第28-29页 |
| 2.4.7 蚁群优化算法 | 第29-30页 |
| 2.5 子空间学习算法 | 第30-32页 |
| 2.5.1 ICA算法 | 第31页 |
| 2.5.2 PCA算法 | 第31-32页 |
| 2.5.3 2D-PCA算法 | 第32页 |
| 2.5.4 G2D-PCA算法和ND-PCA算法 | 第32页 |
| 2.6 本章小结 | 第32-34页 |
| 第3章 MPCA的统计表观模型和肝病识别 | 第34-50页 |
| 3.1 MPCA-ACOSVM算法总流程 | 第34页 |
| 3.2 特征提取 | 第34-37页 |
| 3.2.1 灰度信息提取 | 第35页 |
| 3.2.2 分形信息提取 | 第35-37页 |
| 3.2.3 特征加权 | 第37页 |
| 3.3 张量的建立 | 第37页 |
| 3.4 MPCA统计表观模型的建立 | 第37-40页 |
| 3.5 基于ACO-SVM的肝脏疾病多类分类器的设计 | 第40-49页 |
| 3.5.1 参数对SVM的影响 | 第40-41页 |
| 3.5.2 基于SVM的多分类模型 | 第41-44页 |
| 3.5.3 蚁群算法的数学模型 | 第44-45页 |
| 3.5.4 交叉验证 | 第45-46页 |
| 3.5.5 基于ACO-SVM的肝脏疾病分类器模型建立 | 第46-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第4章 GND-PCA的统计表观模型和肝病识别 | 第50-56页 |
| 4.1 GNDPCA-ACOSVM总流程 | 第50页 |
| 4.2 GND-PCA算法流程 | 第50-53页 |
| 4.3 GND-PCA算法与其它算法对比的优势 | 第53-54页 |
| 4.4 本章小结 | 第54-56页 |
| 第5章 实验结果与分析 | 第56-72页 |
| 5.1 实验数据选择 | 第56-57页 |
| 5.2 MPCA和ACO-SVM结合的分类结果 | 第57-66页 |
| 5.2.1 核张量重建及确定 | 第57-59页 |
| 5.2.2 分类结果 | 第59-66页 |
| 5.3 GND-PCA和ACO-SVM结合的分类结果 | 第66-70页 |
| 5.3.1 核张量重建及确立 | 第66-68页 |
| 5.3.2 分类结果 | 第68-70页 |
| 5.4 基于不同方法建立肝脏疾病模型的比较 | 第70-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第6章 总结与展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 致谢 | 第76-77页 |
| 攻读学位期间学术成果 | 第77页 |
