| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景和意义 | 第12-16页 |
| 1.1.1 医学图像处理面临的机遇与挑战 | 第13-15页 |
| 1.1.2 计算机辅助诊断系统 | 第15-16页 |
| 1.2 研究现状分析 | 第16-18页 |
| 1.3 本文主要工作 | 第18-19页 |
| 1.4 本文组织结构 | 第19-21页 |
| 第2章 相关研究工作 | 第21-38页 |
| 2.1 肝脏肿瘤CT图像背景知识 | 第21-23页 |
| 2.2 医学图像特征提取 | 第23-32页 |
| 2.2.1 GLCM | 第23-25页 |
| 2.2.2 LBP | 第25-26页 |
| 2.2.3 Gabor小波变换 | 第26页 |
| 2.2.4 BoW和BoVW模型 | 第26-31页 |
| 2.2.5 SPM | 第31页 |
| 2.2.6 深度学习 | 第31-32页 |
| 2.3 分类算法 | 第32-36页 |
| 2.3.1 kNN分类器 | 第33页 |
| 2.3.2 SVM分类器 | 第33-35页 |
| 2.3.3 特征融合与集成学习 | 第35-36页 |
| 2.4 分类任务的评价方法和指标 | 第36-37页 |
| 2.4.1 评价方法 | 第36页 |
| 2.4.2 评价指标 | 第36-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 基于浅层多特征融合的肝脏肿瘤分类算法 | 第38-56页 |
| 3.1 引言 | 第38-39页 |
| 3.2 模型框架与算法流程 | 第39-48页 |
| 3.2.1 基于灰度值的特征提取算法 | 第40-44页 |
| 3.2.2 基于纹理的特征提取算法 | 第44-46页 |
| 3.2.3 基于形状的特征提取算法 | 第46-48页 |
| 3.2.4 特征选择与融合 | 第48页 |
| 3.3 实验设计与结果分析 | 第48-54页 |
| 3.3.1 数据集 | 第48-49页 |
| 3.3.2 数据标注与预处理 | 第49-51页 |
| 3.3.3 实验设计 | 第51页 |
| 3.3.4 结果分析 | 第51-54页 |
| 3.4 本章小结 | 第54-56页 |
| 第4章 结合N-gram和BoVW模型的肝脏肿瘤分类算法 | 第56-76页 |
| 4.1 引言 | 第56-57页 |
| 4.2 Bi-gram BoSTW模型框架与算法流程 | 第57-63页 |
| 4.2.1 Bi-gram BoSTW模型框架 | 第57-58页 |
| 4.2.2 采样策略 | 第58-59页 |
| 4.2.3 视觉词生成 | 第59-60页 |
| 4.2.4 视觉词扩展 | 第60-61页 |
| 4.2.5 算法流程 | 第61-63页 |
| 4.3 实验设计与结果分析 | 第63-74页 |
| 4.3.1 数据集 | 第63页 |
| 4.3.2 实验设计 | 第63-67页 |
| 4.3.3 结果分析 | 第67-74页 |
| 4.4 CAD原型系统 | 第74-75页 |
| 4.5 本章小结 | 第75-76页 |
| 第5章 总结和展望 | 第76-79页 |
| 5.1 本文工作总结 | 第76-77页 |
| 5.2 未来工作展望 | 第77-79页 |
| 参考文献 | 第79-84页 |
| 攻读硕士学位期间主要的研究成果 | 第84-85页 |
| 致谢 | 第85页 |