基于支持向量机的颈动脉超声图像内中膜厚度测量
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于梯度的边缘检测 | 第11-12页 |
| 1.2.2 动态规划 | 第12-13页 |
| 1.2.3 活动轮廓模型 | 第13-14页 |
| 1.2.4 联合方法 | 第14页 |
| 1.3 面临的问题 | 第14-15页 |
| 1.4 本文的主要工作和内容安排 | 第15-16页 |
| 第二章 K-means与支持向量机理论 | 第16-31页 |
| 2.1 K-means算法 | 第16-18页 |
| 2.2 统计学习理论基础 | 第18-21页 |
| 2.2.1 经验风险最小化 | 第18-19页 |
| 2.2.2 VC维 | 第19页 |
| 2.2.3 推广性的界 | 第19页 |
| 2.2.4 结构风险最小化 | 第19-21页 |
| 2.3 支持向量机理论 | 第21-30页 |
| 2.3.1 支持向量机的分类思想 | 第21-23页 |
| 2.3.2 线性可分情况下的SVM | 第23-25页 |
| 2.3.3 线性不可分情况下的C-SVM | 第25-28页 |
| 2.3.4 核函数 | 第28-29页 |
| 2.3.5 支持向量机的说明 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 内中膜厚度测量算法 | 第31-44页 |
| 3.1 算法流程 | 第31页 |
| 3.2 算法实现 | 第31-37页 |
| 3.2.1 感兴趣区域提取 | 第31-34页 |
| 3.2.2 分类 | 第34-35页 |
| 3.2.3 边界提取 | 第35-37页 |
| 3.3 实验结果 | 第37-43页 |
| 3.3.1 特征分析 | 第37-39页 |
| 3.3.2 结果分析 | 第39-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于多分类的内中膜测量算法 | 第44-52页 |
| 4.1 支持向量机的多分类推广 | 第44-45页 |
| 4.2 一对多策略分割内中膜 | 第45-47页 |
| 4.3 决策树策略分割内中膜 | 第47-49页 |
| 4.4 实验结果 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 发表论文和参加科研情况说明 | 第59-60页 |
| 致谢 | 第60-61页 |
