| 摘要 | 第1-3页 |
| ABSTRACT | 第3-4页 |
| 目录 | 第4-6页 |
| 第一章 概述 | 第6-10页 |
| ·研究背景和意义 | 第6-7页 |
| ·本文研究的难点 | 第7-8页 |
| ·国内外研究现状 | 第8-9页 |
| ·本文主要创新点 | 第9页 |
| ·本文的工作 | 第9-10页 |
| 第二章 基于数据挖掘技术的辅助诊断系统 | 第10-18页 |
| ·数据挖掘技术 | 第10-11页 |
| ·数据挖掘技术与传统统计方法的区别 | 第11页 |
| ·医学诊断中的数据挖掘 | 第11-15页 |
| ·功能驱动模型 | 第12-14页 |
| ·信息驱动模型 | 第14-15页 |
| ·MiCAED 系统 | 第15-18页 |
| 第三章 医学图像的预处理和特征提取 | 第18-26页 |
| ·医学图像预处理的意义 | 第18页 |
| ·常用的图像处理方法 | 第18-19页 |
| ·图像预处理 | 第19-21页 |
| ·噪声过滤 | 第19-20页 |
| ·图像平滑处理 | 第20页 |
| ·图像增强处理 | 第20-21页 |
| ·图像特征提取 | 第21-26页 |
| ·灰度共矩生阵 | 第21-23页 |
| ·灰度-梯度共生矩阵 | 第23-26页 |
| 第四章 基于特征选择和集成学习技术的辅助诊断 | 第26-42页 |
| ·特征选择技术 | 第26-30页 |
| ·特征选择技术的分类 | 第27-29页 |
| ·特征选择方法的原则 | 第29-30页 |
| ·基于 prediction risk 的特征选择方法 | 第30页 |
| ·集成学习技术 | 第30-34页 |
| ·常用集成学习技术 | 第31-33页 |
| ·聚类集成技术 | 第33-34页 |
| ·基于特征选择的选择性聚类集成算法 SeCED-FS | 第34-37页 |
| ·基于集成学习技术的 ROI 识别算法 | 第37-39页 |
| ·Fuzzy C-Means 算法 | 第37-38页 |
| ·基于区域类型的 ROI 集成识别策略 | 第38-39页 |
| ·脑部医学图像辅助诊断实验分析 | 第39-42页 |
| ·实验数据说明 | 第39页 |
| ·分类实验分析 | 第39-41页 |
| ·ROI 识别实验分析 | 第41-42页 |
| 第五章 总结 | 第42-43页 |
| 致谢 | 第43-44页 |
| 参考文献 | 第44-48页 |
| 附录 | 第48-49页 |