| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 本文研究内容 | 第14-17页 |
| 第2章 冠状动脉粥样硬化斑块临床诊断影像介绍 | 第17-24页 |
| 2.1 冠脉斑块临床诊断医学影像及其特点 | 第17-20页 |
| 2.2 OCT成像原理 | 第20-22页 |
| 2.3 OCT影像特点 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于K-means聚类的GraphCuts算法实现斑块分割 | 第24-36页 |
| 3.1 传统医学影像分割算法 | 第24-28页 |
| 3.2 斑块分割算法框架 | 第28-29页 |
| 3.3 预处理 | 第29页 |
| 3.4 内膜提取及图像增强 | 第29-31页 |
| 3.5 基于K-means聚类的KernelGraphcuts分割算法 | 第31-32页 |
| 3.6 分割结果与评价 | 第32-35页 |
| 3.6.1 参数设定 | 第32-33页 |
| 3.6.2 结果对比 | 第33-35页 |
| 3.7 本章小结 | 第35-36页 |
| 第4章 斑块区域特征提取 | 第36-43页 |
| 4.1 几何特征提取 | 第36-38页 |
| 4.1.1 基本特征 | 第36-37页 |
| 4.1.2 纹理特征 | 第37-38页 |
| 4.2 非几何特征提取 | 第38-42页 |
| 4.2.1 主成分分析特征 | 第38-39页 |
| 4.2.2 灰度梯度直方图特征 | 第39-40页 |
| 4.2.3 局部二值化特征 | 第40-41页 |
| 4.2.4 FisherVector | 第41-42页 |
| 4.3 本章小结 | 第42-43页 |
| 第5章 改进SVM分类器的斑块智能识别 | 第43-50页 |
| 5.1 传统SVM分类器 | 第43页 |
| 5.2 基于HEM优化策略的SVM分类器 | 第43-45页 |
| 5.3 最优参数设置 | 第45-47页 |
| 5.3.1 HOG特征cell与block大小选择 | 第45-46页 |
| 5.3.2 FV特征高斯混合模型个数选择 | 第46-47页 |
| 5.4 结果与分析 | 第47-49页 |
| 5.4.1 不同特征组合对识别精度影响 | 第47-48页 |
| 5.4.2 结果对比 | 第48-49页 |
| 5.5 本章小结 | 第49-50页 |
| 第6章 总结和展望 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士学位期间发表论文情况 | 第57页 |
