计算机辅助结肠镜图像诊断技术研究
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-6页 |
| 第一章 前言 | 第6-11页 |
| 1．1 课题背景 | 第6-7页 |
| 1．2 国内外研究现状综述 | 第7-10页 |
| 1．3 论文主要工作 | 第10-11页 |
| 第二章 预备知识 | 第11-19页 |
| 2．1 结肠和结肠疾病的镜下表现 | 第11-13页 |
| 2．1．1 结肠的正常表现 | 第11-12页 |
| 2．1．2 大肠息肉表现 | 第12页 |
| 2．1．3 大肠癌表现 | 第12页 |
| 2．1．4 炎症性肠病表现 | 第12-13页 |
| 2．2 颜色空间和纹理分析技术 | 第13-19页 |
| 2．2．1 颜色空间 | 第14-17页 |
| 2．2．2 纹理分析基础 | 第17-19页 |
| 第三章 基于多信息融合的结肠镜图像分割技术 | 第19-41页 |
| 3．1 引言 | 第19页 |
| 3．2 Gabor滤波器选择和分形维计算 | 第19-23页 |
| 3．2．1 Gabor滤波器的选择方案 | 第19-21页 |
| 3．2．2 分形维（FD）的计算 | 第21-22页 |
| 3．2．3 FD权值的计算 | 第22-23页 |
| 3．3 基于元素间相似性的随机聚类方法 | 第23-38页 |
| 3．3．1 加权稀疏图G（V，E）的生成 | 第23-24页 |
| 3．3．2 稀疏图紧缩 | 第24-27页 |
| 3．3．3 最佳类别数的计算 | 第27-29页 |
| 3．3．4 随机聚类方法的高效实现 | 第29-38页 |
| 3．4 实验结果 | 第38页 |
| 3．5 结束语 | 第38-41页 |
| 第四章 基于BP神经网络的结肠镜图像分类 | 第41-54页 |
| 4．1 人工神经元网络简述 | 第41-43页 |
| 4．1．1 简单的神经元数学模型 | 第41-42页 |
| 4．1．2 有导师学习和无导师学习 | 第42-43页 |
| 4．2 特征参量提取 | 第43-45页 |
| 4．2．1 彩色域参量 | 第43-44页 |
| 4．2．2 空间域参量 | 第44-45页 |
| 4．3 误差反传训练（BP）的多层感知器 | 第45-50页 |
| 4．3．1 BP的数学描述 | 第45-47页 |
| 4．3．2 BP权重改变方式 | 第47页 |
| 4．3．3 BP的改进——学习步长调整 | 第47-48页 |
| 4．3．4 BP的执行步骤 | 第48-49页 |
| 4．3．5 BP网络参数的确定 | 第49-50页 |
| 4．4 结果和讨论 | 第50-54页 |
| 4．4．1 特征参量计算结果 | 第50-51页 |
| 4．4．2 神经网络分类结果 | 第51-54页 |
| 第五章 总结与展望 | 第54-58页 |
| 5．1 总结 | 第54-55页 |
| 5．2 展望 | 第55-58页 |
| 致谢 | 第58-59页 |
| 附录A 参考文献 | 第59-63页 |
| 附录B 作者在攻读硕士学位期间完成的有关论文 | 第63页 |
