基于核方法的乳腺结节辅助诊断的研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究工作的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 乳腺癌计算机辅助诊断系统的研究现状 | 第11-12页 |
| 1.2.2 核方法的研究现状 | 第12-14页 |
| 1.3 论文的主要研究内容及组织结构 | 第14-16页 |
| 第二章 基于核方法的相关算法的研究 | 第16-31页 |
| 2.1 核方法介绍 | 第16-17页 |
| 2.2 支持向量机 | 第17-24页 |
| 2.2.1 统计学习理论 | 第17-19页 |
| 2.2.1.1 经验风险最小化归纳原则 | 第18页 |
| 2.2.1.2 学习机泛化能力的界 | 第18页 |
| 2.2.1.3 结构风险最小化原则 | 第18-19页 |
| 2.2.2 线性情况 | 第19-21页 |
| 2.2.3 非线性情况 | 第21-24页 |
| 2.3 高斯过程的基本原理 | 第24-26页 |
| 2.3.1 从高斯分布到高斯过程 | 第24-25页 |
| 2.3.2 从贝叶斯回归到高斯过程 | 第25-26页 |
| 2.4 高斯过程隐变量模型的基本原理 | 第26-30页 |
| 2.4.1 概率主成分分析的基本原理 | 第27-28页 |
| 2.4.2 高斯过程隐变量模型 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 乳腺结节超声图像的降维过程 | 第31-54页 |
| 3.1 引言 | 第31-33页 |
| 3.2 主成分分析 | 第33-38页 |
| 3.2.1 PCA算法的基本原理 | 第33-35页 |
| 3.2.2 基于PCA算法的乳腺图像降维的实现 | 第35-38页 |
| 3.3 线性判别分析 | 第38-41页 |
| 3.3.1 LDA算法的基本原理 | 第38-40页 |
| 3.3.2 对比LDA和PCA算法 | 第40-41页 |
| 3.4 核主成分分析 | 第41-47页 |
| 3.4.1 核PCA算法的基本原理 | 第41-44页 |
| 3.4.2 基于核PCA的乳腺图像降维的实现 | 第44-46页 |
| 3.4.3 对比核PCA和PCA算法 | 第46-47页 |
| 3.5 高斯过程隐变量模型 | 第47-51页 |
| 3.5.1 隐变量模型 | 第47-48页 |
| 3.5.2 协方差函数 | 第48-49页 |
| 3.5.3 基于GP-LVM的乳腺图像降维的实现 | 第49-51页 |
| 3.6 多种降维方法的相互对比与分析 | 第51-53页 |
| 3.7 本章小结 | 第53-54页 |
| 第四章 乳腺结节超声图像的分类 | 第54-68页 |
| 4.1 引言 | 第54-56页 |
| 4.2 K近邻分类方法 | 第56-59页 |
| 4.2.1 K近邻算法原理介绍 | 第56-57页 |
| 4.2.2 k近邻算法分类结果分析 | 第57-59页 |
| 4.3 决策树方法 | 第59-63页 |
| 4.3.1 决策树算法原理介绍 | 第59-62页 |
| 4.3.2 决策树算法分类结果分析 | 第62-63页 |
| 4.4 支持向量机方法 | 第63-66页 |
| 4.4.1 具有不同核函数的SVM | 第63-65页 |
| 4.4.2 支持向量机分类结果分析 | 第65-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第五章 实验结果与分析 | 第68-72页 |
| 5.1 引言 | 第68页 |
| 5.2 实验结果总结与对比 | 第68-71页 |
| 5.3 实验结论 | 第71-72页 |
| 第六章 全文总结与展望 | 第72-74页 |
| 6.1 论文总结 | 第72-73页 |
| 6.2 未来展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻硕期间取得的研究成果 | 第79-80页 |
