| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第1章 绪论 | 第14-20页 |
| 1.1 课题背景及意义 | 第14-15页 |
| 1.2 研究现状 | 第15-17页 |
| 1.3 本文主要内容 | 第17-18页 |
| 1.4 本文章节安排 | 第18-20页 |
| 第2章 影像组学特征提取 | 第20-38页 |
| 2.1 脑胶质瘤基本特征 | 第20-21页 |
| 2.2 一阶特征 | 第21-23页 |
| 2.3 形状特征 | 第23-24页 |
| 2.4 纹理特征 | 第24-36页 |
| 2.4.1 灰度共生矩阵(GLCM) | 第24-27页 |
| 2.4.2 灰度游程矩阵(GLRLM) | 第27-30页 |
| 2.4.3 灰度区域大小矩阵(GLSZM) | 第30-32页 |
| 2.4.4 灰度相关矩阵(GLDM) | 第32-34页 |
| 2.4.5 相邻灰度差分矩阵(NGTDM) | 第34-36页 |
| 2.5 本章小结 | 第36-38页 |
| 第3章 特征选择 | 第38-48页 |
| 3.1 特征选择的概念 | 第38-39页 |
| 3.2 特征选择的过程 | 第39-41页 |
| 3.2.1 子集搜索 | 第39页 |
| 3.2.2 子集评价 | 第39-40页 |
| 3.2.3 停止标准 | 第40页 |
| 3.2.4 子集验证 | 第40-41页 |
| 3.3 特征选择算法 | 第41-43页 |
| 3.3.1 过滤式选择方法(Filter) | 第41-42页 |
| 3.3.2 包裹式选择方法(Wrapper) | 第42-43页 |
| 3.3.3 嵌入式选择方法(Embedded) | 第43页 |
| 3.4 支持向量机-递归特征消除法(SVM-RFE) | 第43-46页 |
| 3.4.1 递归特征消除法(RFE) | 第43-44页 |
| 3.4.2 支持向量机(SVM) | 第44-46页 |
| 3.4.3 SVM-RFE | 第46页 |
| 3.5 本章小结 | 第46-48页 |
| 第4章 分类器设计 | 第48-56页 |
| 4.1 监督学习 | 第48-49页 |
| 4.2 决策树 | 第49-51页 |
| 4.2.1 决策树定义及算法介绍 | 第49页 |
| 4.2.2 决策树属性选择标准 | 第49-50页 |
| 4.2.3 决策树剪枝处理 | 第50-51页 |
| 4.3 提升算法(Boosting) | 第51-55页 |
| 4.3.1 梯度提升树(GBDT) | 第51-53页 |
| 4.3.2 XgBoost算法 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 实验过程及结论 | 第56-68页 |
| 5.1 实验数据集及实验平台介绍 | 第56-57页 |
| 5.1.1 实验数据集简介 | 第56页 |
| 5.1.2 实验平台简介 | 第56-57页 |
| 5.2 特征提取方法设计 | 第57-60页 |
| 5.2.1 PyRadiomics | 第57-58页 |
| 5.2.2 特征提取方法设计 | 第58-60页 |
| 5.3 特征选择方法设计 | 第60-63页 |
| 5.4 分类器方法设计 | 第63-66页 |
| 5.4.1 分类器性能度量指标 | 第63-64页 |
| 5.4.2 分类结果 | 第64-66页 |
| 5.5 本章小结 | 第66-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 学位论文评阅及答辩情况表 | 第75页 |