| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 医学影像分类现状分析 | 第11-13页 |
| 1.3 文本分类与图像分类的联系 | 第13-14页 |
| 1.4 词袋模型在医学影像分类中的应用 | 第14-15页 |
| 1.5 本论文主要工作 | 第15-18页 |
| 第2章 SIFT特征及相关算法简介 | 第18-24页 |
| 2.1 SIFT特征的优势 | 第18-19页 |
| 2.2 SIFT特征的提取步骤 | 第19-20页 |
| 2.3 SIFT特征的应用 | 第20-22页 |
| 2.4 kd-tree算法介绍 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 文本分类经典算法研究 | 第24-32页 |
| 3.1 潜在语义分析模型 | 第24-27页 |
| 3.1.1 潜在语义分析模型原理 | 第24-26页 |
| 3.1.2 潜在语义分析模型的特点 | 第26-27页 |
| 3.2 概率潜在语义分析模型 | 第27-30页 |
| 3.2.1 概率潜在语义分析模型原理 | 第27-30页 |
| 3.2.2 概率潜在语义分析模型的特点 | 第30页 |
| 3.3 本章小结 | 第30-32页 |
| 第4章 采用词袋模型进行医学影像分类 | 第32-56页 |
| 4.1 分类器的选择 | 第32-34页 |
| 4.2 采用词袋模型对医学影像进行分类 | 第34-43页 |
| 4.2.0 提取SIFT特征 | 第35-42页 |
| 4.2.1 生成视觉词汇表 | 第42-43页 |
| 4.2.2 构建图像的视觉单词表示 | 第43页 |
| 4.3 基于词袋模型的分类方法在医学影像库上的应用 | 第43-47页 |
| 4.3.1 实验方案 | 第43-44页 |
| 4.3.2 实验结果 | 第44-46页 |
| 4.3.3 参数对分类性能的影响 | 第46-47页 |
| 4.4 与基于全局特征的分类方法进行比较 | 第47-53页 |
| 4.4.1 利用颜色特征对医学影像进行分类 | 第47-48页 |
| 4.4.2 利用纹理特征对医学影像进行分类 | 第48-52页 |
| 4.4.3 分类精度对比 | 第52-53页 |
| 4.5 利用kd-tree算法改进词袋模型的速度 | 第53-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第5章 词袋模型结合PLSA对医学影像分类 | 第56-68页 |
| 5.1 图像分类的语义鸿沟问题 | 第56-57页 |
| 5.2 PLSA与词袋模型的结合 | 第57-59页 |
| 5.3 PLSA-Bow模型对医学影像分类的基本流程 | 第59页 |
| 5.4 利用PLSA-Bow模型对医学影像进行分类 | 第59-61页 |
| 5.4.1 构建图像的视觉语义表示 | 第60-61页 |
| 5.4.2 利用图像的视觉语义表示分类 | 第61页 |
| 5.5 PLSA-Bow在医学影像库上的应用 | 第61-67页 |
| 5.5.1 实验方案 | 第61-62页 |
| 5.5.2 实验结果与分析 | 第62-67页 |
| 5.6 本章小结 | 第67-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74页 |
