| 中文摘要 | 第3-5页 |
| 英文摘要 | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-11页 |
| 1.2 乳腺肿瘤超声图像分类研究现状 | 第11-14页 |
| 1.3 论文主要内容和结构安排 | 第14-16页 |
| 2 传统的乳腺超声图像分类技术 | 第16-29页 |
| 2.1 乳腺超声图像的预处理与肿瘤区域分割 | 第16-20页 |
| 2.1.1 乳腺超声图像的预处理 | 第16-18页 |
| 2.1.2 乳腺超声图像的肿瘤区域分割 | 第18-20页 |
| 2.2 乳腺超声图像特征的提取 | 第20-26页 |
| 2.2.1 一阶特征 | 第20-22页 |
| 2.2.2 纹理特征 | 第22-24页 |
| 2.2.3 形态特征 | 第24-26页 |
| 2.3 乳腺超声图像的分类器设计 | 第26-28页 |
| 2.3.1 AdaBoost | 第26-27页 |
| 2.3.2 SVM | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 基于卷积特征提取的判别方法 | 第29-46页 |
| 3.1 基于卷积特征提取的乳腺肿瘤良恶性判别研究 | 第29-35页 |
| 3.1.1 卷积神经网络的组成结构 | 第29-30页 |
| 3.1.2 设计的卷积特征提取网络 | 第30-35页 |
| 3.2 乳腺超声图像数据集说明 | 第35-38页 |
| 3.2.1 使用的数据介绍 | 第35-37页 |
| 3.2.2 分类精度评价指标 | 第37-38页 |
| 3.3 算法性能对比及分析 | 第38-45页 |
| 3.3.1 基于传统特征提取方法的实验结果 | 第38-41页 |
| 3.3.2 基于卷积特征提取方法的实验结果 | 第41-42页 |
| 3.3.3 性能指标评估及结果分析 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 基于特征迁移与融合的判别方法 | 第46-61页 |
| 4.1 基于深度特征迁移的乳腺肿瘤良恶性判别研究 | 第46-54页 |
| 4.1.1 基于特征的迁移学习 | 第46-49页 |
| 4.1.2 平台及实验参数设置 | 第49-50页 |
| 4.1.3 算法性能对比及分析 | 第50-54页 |
| 4.2 基于深度卷积特征融合的乳腺肿瘤分类研究 | 第54-60页 |
| 4.2.1 特征融合 | 第54-55页 |
| 4.2.2 平台及实验参数设置 | 第55-57页 |
| 4.2.3 性能指标评估及结果分析 | 第57-60页 |
| 4.3 本章小结 | 第60-61页 |
| 5 总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61-62页 |
| 5.2 工作展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录 | 第67页 |
| A.作者在攻读硕士学位期间发表的论文(和专利)目录 | 第67页 |
| B.作者在攻读学位期间参与的科研项目 | 第67页 |