| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-12页 |
| 1.1.1 IVUS的成像原理和临床应用 | 第9-10页 |
| 1.1.2 IVUS的图像特点 | 第10-12页 |
| 1.2 IVUS图像序列自动检索的研究现状 | 第12-15页 |
| 1.2.1 图像检索技术的发展和研究现状 | 第12页 |
| 1.2.2 图像纹理特征提取和分类的研究现状 | 第12-14页 |
| 1.2.3 IVUS图像序列自动检索的研究现状 | 第14-15页 |
| 1.3 本文的研究目的及意义 | 第15-16页 |
| 1.4 本文的主要研究内容 | 第16-17页 |
| 第2章 IVUS图像序列关键帧的自动检索 | 第17-28页 |
| 2.1 基于血管形态的关键帧自动检索 | 第17-22页 |
| 2.1.1 提取横向视图中血管壁的轮廓 | 第17-18页 |
| 2.1.2 基于SAX算法的量化编码 | 第18-19页 |
| 2.1.3 计算相似度 | 第19页 |
| 2.1.4 选择关键帧 | 第19-20页 |
| 2.1.5 实验结果及分析 | 第20-22页 |
| 2.2 基于灰度直方图的关键帧自动检索 | 第22-26页 |
| 2.2.1 提取灰度特征向量 | 第23页 |
| 2.2.2 计算相似度 | 第23-24页 |
| 2.2.3 选择关键帧 | 第24页 |
| 2.2.4 实验结果与分析 | 第24-25页 |
| 2.2.5 讨论 | 第25-26页 |
| 2.3 两种方法的比较 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 IVUS图像中支架和血管分叉的检索 | 第28-45页 |
| 3.1 支架纹理特征提取 | 第28-34页 |
| 3.1.1 构建支架样本库 | 第28-29页 |
| 3.1.2 提取Haar-like纹理特征 | 第29-32页 |
| 3.1.3 实验结果与分析 | 第32-34页 |
| 3.2 分叉纹理特征提取 | 第34-37页 |
| 3.2.1 建立血管分叉样本库 | 第34页 |
| 3.2.2 提取局部二值模式纹理特征 | 第34-35页 |
| 3.2.3 实验结果与分析 | 第35-37页 |
| 3.3 IVUS图像纹理特征的分类 | 第37-44页 |
| 3.3.1 Real Adaboost | 第37-38页 |
| 3.3.2 Gentle Adaboost算法简介 | 第38-39页 |
| 3.3.3 Modest Adaboost算法简介 | 第39页 |
| 3.3.4 比较分类器的性能 | 第39-42页 |
| 3.3.5 Gentle Adaboost分类器的校验 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 结论与展望 | 第45-47页 |
| 4.1 结论 | 第45-46页 |
| 4.2 展望 | 第46-47页 |
| 参考文献 | 第47-52页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第52-53页 |
| 致谢 | 第53页 |
