| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-24页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 肺部疾病计算机辅助诊断的国内外研究现状 | 第15-16页 |
| 1.2.2 肺部疾病计算机辅助诊断关键技术研究现状 | 第16-19页 |
| 1.3 孤立性肺结节检测关键技术 | 第19-21页 |
| 1.3.1 肺部CT图像数据来源 | 第19-20页 |
| 1.3.2 肺实质分割及粘连结节检测 | 第20页 |
| 1.3.3 疑似肺结节分割 | 第20-21页 |
| 1.3.4 疑似肺结节的特征提取及分类 | 第21页 |
| 1.4 本文研究内容 | 第21-24页 |
| 第2章 计算机断层扫描及智能图像处理方法 | 第24-39页 |
| 2.1 计算机断层扫描成像方法的发展历史 | 第24-25页 |
| 2.2 计算机断层扫描成像技术 | 第25-31页 |
| 2.2.1 CT成像的数理基础 | 第26-27页 |
| 2.2.2 CT的相关知识 | 第27-31页 |
| 2.3 肺部CT在肺癌诊断中的作用 | 第31-33页 |
| 2.4 计算机辅助诊断中的智能图像处理方法 | 第33-38页 |
| 2.4.1 医学图像分割算法 | 第33-35页 |
| 2.4.2 图像特征分析方法 | 第35-37页 |
| 2.4.3 图像分类 | 第37页 |
| 2.4.4 图像识别 | 第37-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 肺实质的自动分割 | 第39-56页 |
| 3.1 引言 | 第39-40页 |
| 3.2 肺实质分割 | 第40-47页 |
| 3.2.1 单帧CT图像阈值分割 | 第41-44页 |
| 3.2.2 序列CT图像肺实质分割 | 第44-47页 |
| 3.3 左右肺分离 | 第47-49页 |
| 3.3.1 左右肺连接判断 | 第47页 |
| 3.3.2 基于灰度投影的左右肺分离 | 第47-49页 |
| 3.4 胸膜粘连结节检测及轮廓修复 | 第49-52页 |
| 3.4.1 基于行扫描曲率分析的肺实质轮廓修复方法 | 第49-50页 |
| 3.4.2 基于凸包及射线投影的轮廓修复 | 第50-52页 |
| 3.5 肺实质分割实验和结果讨论 | 第52-55页 |
| 3.6 本章小结 | 第55-56页 |
| 第4章 疑似肺结节的分割及特征提取 | 第56-71页 |
| 4.1 引言 | 第56-57页 |
| 4.2 疑似肺结节分割 | 第57-60页 |
| 4.2.1 模糊C均值聚类算法 | 第57-58页 |
| 4.2.2 融合像素空间信息加权模糊C均值聚类RO1分割 | 第58-60页 |
| 4.3 孤立性肺结节的医学征象及病理基础 | 第60-62页 |
| 4.4 候选肺结节的特征提取 | 第62-67页 |
| 4.4.1 候选肺结节的灰度特征 | 第62-63页 |
| 4.4.2 候选肺结节的形态特征 | 第63-66页 |
| 4.4.3 候选肺结节的纹理特征 | 第66-67页 |
| 4.5 实验及结果分析 | 第67-70页 |
| 4.6 本章小结 | 第70-71页 |
| 第5章 基于粗糙集的疑似肺结节特征选择 | 第71-91页 |
| 5.1 引言 | 第71页 |
| 5.2 粗糙集理论的思想与特点 | 第71-77页 |
| 5.2.1 基于粗糙集理论的数据挖掘 | 第72-74页 |
| 5.2.2 粗糙集的相关概念 | 第74-77页 |
| 5.3 基于条件信息熵的疑似肺结节特征选择 | 第77-82页 |
| 5.3.1 信息熵与条件熵 | 第77页 |
| 5.3.2 基于信息熵的连续属性离散化 | 第77-79页 |
| 5.3.3 基于条件熵的属性约简 | 第79-81页 |
| 5.3.4 属性重要度 | 第81-82页 |
| 5.4 特征提取评价 | 第82-86页 |
| 5.4.1 灵敏度和特异度 | 第82-84页 |
| 5.4.2 接受者工作特征曲线 | 第84-86页 |
| 5.5 肺结节特征选择实验及结果分析 | 第86-90页 |
| 5.5.1 实验数据 | 第86-87页 |
| 5.5.2 基于粗糙集属性约简的疑似肺结节特征选择实验 | 第87-89页 |
| 5.5.3 实验结果分析 | 第89-90页 |
| 5.6 本章小结 | 第90-91页 |
| 第6章 基于样本属性加权支持向量机肺结节识别 | 第91-112页 |
| 6.1 引言 | 第91-92页 |
| 6.2 支持向量机 | 第92-99页 |
| 6.2.1 支持向量机的基本思想 | 第92-97页 |
| 6.2.2 核函数 | 第97-98页 |
| 6.2.3 支持向量机分类方法 | 第98-99页 |
| 6.3 基于模糊支持向量机的肺结节识别 | 第99-101页 |
| 6.4 基于样本属性加权支持向量机的肺结节识别 | 第101-103页 |
| 6.5 肺结节检测算法 | 第103-105页 |
| 6.5.1 基于加权模糊C均值聚类的肺结节检测算法 | 第103页 |
| 6.5.2 基于改进Mahalanobis距离分类的肺结节检测算法 | 第103-105页 |
| 6.5.3 基于支持向量机的肺结节检测算法 | 第105页 |
| 6.6 实验及结果分析 | 第105-111页 |
| 6.6.1 基于支持向量机的肺结节检测实验 | 第105-110页 |
| 6.6.2 实验结果分析 | 第110-111页 |
| 6.7 本章小结 | 第111-112页 |
| 第7章 结论与展望 | 第112-115页 |
| 7.1 结论 | 第112-113页 |
| 7.2 展望 | 第113-115页 |
| 参考文献 | 第115-123页 |
| 致谢 | 第123-124页 |
| 攻读学位期间发表的论著和科研、获奖情况 | 第124-125页 |
| 作者简介 | 第125页 |
