| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-15页 |
| 1.2 研究现状 | 第15-16页 |
| 1.3 肺癌计算机辅助诊断概述 | 第16-18页 |
| 1.3.1 肺癌计算机辅助诊断流程 | 第16-17页 |
| 1.3.2 肺癌计算机辅助诊断的研究现状 | 第17-18页 |
| 1.4 论文的主要工作 | 第18-19页 |
| 1.5 论文的结构安排 | 第19-21页 |
| 第2章 相关理论知识 | 第21-36页 |
| 2.1 感兴趣区域(ROI)特征提取 | 第21-26页 |
| 2.1.1 灰度共生矩阵(GLCM)特征 | 第21-22页 |
| 2.1.2 局部二值模式(LBP)特征 | 第22-24页 |
| 2.1.3 几何和形状特征 | 第24-25页 |
| 2.1.4 特征数据归一化 | 第25-26页 |
| 2.2 稀疏表示理论 | 第26-30页 |
| 2.2.1 稀疏表示字典的发展 | 第26-28页 |
| 2.2.2 稀疏分解理论 | 第28-30页 |
| 2.3 肺结节良恶性诊断中常用的识别算法 | 第30-34页 |
| 2.3.1 FCM算法 | 第30-31页 |
| 2.3.2 AW-FCM算法 | 第31-32页 |
| 2.3.3 支持向量机算法 | 第32-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第3章 改进的稀疏表示字典学习算法 | 第36-50页 |
| 3.1 引言 | 第36页 |
| 3.2 典型的稀疏分解算法 | 第36-40页 |
| 3.2.1 匹配追踪算法(MP) | 第36-37页 |
| 3.2.2 正交匹配追踪算法(OMP) | 第37-39页 |
| 3.2.3 压缩采样匹配追踪算法(CoSaMP) | 第39-40页 |
| 3.2.4 子空间追踪算法(SP) | 第40页 |
| 3.3 改进的稀疏分解算法 | 第40-41页 |
| 3.4 离散余弦变换(DCT) | 第41-42页 |
| 3.5 典型的字典学习法 | 第42-45页 |
| 3.5.1 K-均值算法 | 第42-44页 |
| 3.5.2 K-SVD算法 | 第44-45页 |
| 3.6 基于改进的K-SVD稀疏表示算法 | 第45-46页 |
| 3.7 仿真实验与结果分析 | 第46-48页 |
| 3.7.1 改进的稀疏分解算法的仿真实验结果 | 第46-47页 |
| 3.7.2 改进的K-SVD算法的仿真实验结果 | 第47-48页 |
| 3.8 本章小结 | 第48-50页 |
| 第4章 基于稀疏表示算法的肺结节良恶性诊断 | 第50-64页 |
| 4.1 引言 | 第50-51页 |
| 4.2 实验数据库 | 第51-52页 |
| 4.3 实验方法及评价标准 | 第52-54页 |
| 4.3.1 实验方法 | 第52-53页 |
| 4.3.2 评价标准 | 第53-54页 |
| 4.4 仿真实验与结果分析 | 第54-63页 |
| 4.4.1 基于LBP特征数据集上的实验结果及分析 | 第54-57页 |
| 4.4.2 基于LBP以及GLCM特征数据集上的实验结果及分析 | 第57-60页 |
| 4.4.3 基于几何和形状特征数据集上的实验结果及分析 | 第60-63页 |
| 4.5 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 附录A 攻读学位期间所发表的学术论文 | 第72-73页 |
| 致谢 | 第73页 |
