| 中文摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 计算机辅助诊断技术介绍 | 第9-11页 |
| 1.3 胰腺癌国内外研究现状 | 第11-12页 |
| 1.4 本文研究内容与组织结构 | 第12-13页 |
| 第2章 相关技术介绍 | 第13-41页 |
| 2.1 CT图像 | 第13-17页 |
| 2.1.1 CT成像原理及特点 | 第13-14页 |
| 2.1.2 CT图像格式标准 | 第14-16页 |
| 2.1.3 胰腺影像分析技术 | 第16-17页 |
| 2.2 特征提取和特征选择 | 第17-21页 |
| 2.2.1 特征提取 | 第17-20页 |
| 2.2.2 特征选择 | 第20-21页 |
| 2.3 图像识别 | 第21-32页 |
| 2.3.1 贝叶斯分类 | 第25-26页 |
| 2.3.2 近邻法 | 第26-27页 |
| 2.3.3 人工神经网络 | 第27-30页 |
| 2.3.4 支持向量机 | 第30-32页 |
| 2.4 量子遗传算法 | 第32-40页 |
| 2.4.1 遗传算法 | 第33-36页 |
| 2.4.2 量子遗传算法 | 第36-40页 |
| 2.4.3 量子遗传算法与遗传算法的对比 | 第40页 |
| 2.5 本章小结 | 第40-41页 |
| 第3章 基于QGA-SVM的胰腺癌检测方法 | 第41-57页 |
| 3.1 胰腺癌检测系统框架 | 第41页 |
| 3.2 ROI的选取 | 第41-42页 |
| 3.3 基于ROI的特征提取和选取 | 第42-47页 |
| 3.3.1 基于ROI的特征提取 | 第42-46页 |
| 3.3.2 基于ROI的特征选择 | 第46-47页 |
| 3.4 基于SVM的胰腺癌分类模型 | 第47-48页 |
| 3.5 基于QGA-SVM的胰腺癌分类模型 | 第48-55页 |
| 3.5.1 量子遗传算法的寻优搜索能力探讨 | 第49页 |
| 3.5.2 基于QGA优化的SVM模型参数 | 第49-51页 |
| 3.5.3 基于QGA-SVM的胰腺癌分类过程 | 第51-55页 |
| 3.6 胰腺癌检测评价标准 | 第55-56页 |
| 3.7 本章小结 | 第56-57页 |
| 第4章 实验结果与分析 | 第57-67页 |
| 4.1 实验环境及参数设置 | 第57-58页 |
| 4.1.1 实验的软件环境 | 第57页 |
| 4.1.2 实验的硬件环境 | 第57页 |
| 4.1.3 参数设置 | 第57-58页 |
| 4.2 实验数据的选择及预处理 | 第58-60页 |
| 4.2.1 实验样本数据的选择 | 第58-60页 |
| 4.2.2 实验样本数据的交叉验证 | 第60页 |
| 4.3 纹理特征提取与选择 | 第60-63页 |
| 4.3.1 纹理特征的提取 | 第60-61页 |
| 4.3.2 纹理特征的选择 | 第61-63页 |
| 4.4 基于QGA-SVM的量子遗传算法检测 | 第63-66页 |
| 4.4.1 各个特征集实验对比 | 第63-64页 |
| 4.4.2 量子遗传算法与标准遗传算法对支持向量机优化实验对比 | 第64-65页 |
| 4.4.3 QGA-SVM与BP神经网络、标准SVM实验对比 | 第65-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 5.1 本文工作总结 | 第67页 |
| 5.2 存在的问题及展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72页 |