| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-28页 |
| ·乳腺癌发病与防治状况 | 第10-11页 |
| ·乳腺癌的影像学诊断方法 | 第11-14页 |
| ·乳腺癌组织学分类 | 第11-12页 |
| ·乳腺癌的影像学诊断方法 | 第12-14页 |
| ·乳腺肿瘤的超声表现与良恶性鉴别方法 | 第14-19页 |
| ·乳腺肿瘤的灰阶超声表现 | 第14-15页 |
| ·乳腺肿瘤的灰阶超声良恶性鉴别方法 | 第15-19页 |
| ·乳腺超声图像分析与CAD 研究现状 | 第19-24页 |
| ·基于影像的计算机辅助诊断 | 第19-21页 |
| ·乳腺超声图像分析与CAD 研究状况 | 第21-24页 |
| ·本文的研究内容 | 第24-28页 |
| 第二章 基于图论的乳腺超声图像分割 | 第28-43页 |
| ·引言 | 第28-29页 |
| ·图论与图像分割 | 第29-30页 |
| ·基于振荡模式的SPECKLE 纹理分解 | 第30-31页 |
| ·基于K 分NORMALIZED CUT 的超声图像自动分割 | 第31-37页 |
| ·K 分Normalized Cut | 第31-33页 |
| ·图像权矩阵计算 | 第33-34页 |
| ·基于先验规则的肿瘤区域提取 | 第34-35页 |
| ·实验结果 | 第35-37页 |
| ·基于LIVE-WIRE 的超声图像交互式分割 | 第37-42页 |
| ·Live-wire 算法 | 第38-39页 |
| ·乳腺超声图像梯度、边缘和分水岭 | 第39页 |
| ·live-wire 的代价函数 | 第39-41页 |
| ·实验结果 | 第41-42页 |
| ·小结 | 第42-43页 |
| 第三章 乳腺超声BI-RADS 征象描述量化 | 第43-53页 |
| ·引言 | 第43页 |
| ·超声征象量化方法 | 第43-50页 |
| ·形状特征 | 第43-46页 |
| ·边缘特征 | 第46页 |
| ·肿瘤朝向 | 第46-47页 |
| ·边界特征 | 第47-48页 |
| ·后方回声衰减 | 第48-49页 |
| ·回声模式 | 第49页 |
| ·纵横比 | 第49-50页 |
| ·量化特征统计 | 第50-52页 |
| ·乳腺肿瘤超声图像数据 | 第50-51页 |
| ·量化特征评价 | 第51-52页 |
| ·小结 | 第52-53页 |
| 第四章 乳腺肿瘤形状复杂度分析 | 第53-73页 |
| ·引言 | 第53页 |
| ·形状表达与描述 | 第53-59页 |
| ·形状全局描述子 | 第54页 |
| ·链码 | 第54-55页 |
| ·形状标记 | 第55页 |
| ·保针状结构的多边形逼近 | 第55-59页 |
| ·形状复杂度 | 第59-68页 |
| ·基于熵的复杂度 | 第60-61页 |
| ·基于形状相似性的复杂度 | 第61-65页 |
| ·模拟人类视觉感知的形状复杂度 | 第65-68页 |
| ·实验结果与分析 | 第68-71页 |
| ·形状复杂度度量与视觉感知 | 第68-70页 |
| ·形状复杂度与乳腺肿瘤良恶性 | 第70-71页 |
| ·小结 | 第71-73页 |
| 第五章 乳腺肿瘤形状多尺度对称性分析 | 第73-89页 |
| ·引言 | 第73-74页 |
| ·形状镜像对称性及其度量方法 | 第74-77页 |
| ·形状的多尺度表达与对称性 | 第77-81页 |
| ·形状尺度空间 | 第77-78页 |
| ·尺度形状标记 | 第78-81页 |
| ·基于积分不变量的多尺度对称性度量 | 第81-85页 |
| ·基于积分不变量的形状距离 | 第81-82页 |
| ·基于积分不变量的对称性度量 | 第82-85页 |
| ·实验结果与分析 | 第85-88页 |
| ·尺度对对称度的影响 | 第85-86页 |
| ·对称度鉴别乳腺肿瘤良恶性 | 第86-88页 |
| ·小结 | 第88-89页 |
| 第六章 基于决策树集成和规则集成的乳腺肿瘤良恶性鉴别模型 | 第89-121页 |
| ·引言 | 第89-90页 |
| ·代价敏感的BOOSTING | 第90-102页 |
| ·代价敏感分类问题 | 第90-91页 |
| ·代价加权间隔损失函数 | 第91-95页 |
| ·Boosting | 第95-99页 |
| ·代价敏感的Boosting | 第99-100页 |
| ·树集成的解释 | 第100-102页 |
| ·最大化AUC 的规则集成 | 第102-108页 |
| ·决策树集成与规则分解 | 第102-103页 |
| ·规则的拟合与L1 正则化 | 第103-106页 |
| ·基于AUC 最大化的规则集成 | 第106-108页 |
| ·BOOSTING 实验结果 | 第108-114页 |
| ·代价权重对模型性能的影响 | 第109-110页 |
| ·树大小的影响 | 第110-111页 |
| ·损失函数对QBoost 的影响 | 第111页 |
| ·特征的重要性 | 第111-113页 |
| ·恶性风险对特征的偏依赖 | 第113-114页 |
| ·规则集成实验结果 | 第114-119页 |
| ·代价敏感的规则集成 | 第114-115页 |
| ·AUC 最大化的规则集成 | 第115-117页 |
| ·诊断规则提取 | 第117-118页 |
| ·规则集成模型与Giger’s 模型比较 | 第118-119页 |
| ·小结 | 第119-121页 |
| 第七章 总结与展望 | 第121-123页 |
| ·工作总结 | 第121-122页 |
| ·工作展望 | 第122-123页 |
| 参考文献 | 第123-132页 |
| 攻读博士学位期间已发表或录用的论文 | 第132-134页 |
| 致谢 | 第134-136页 |