支持向量机算法研究及其在相控HIFU图像系统中的应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-22页 |
| ·HIFU 肿瘤治疗系统的结构组成 | 第9-10页 |
| ·HIFU 治疗系统的超声发生部分 | 第10-14页 |
| ·HIFU 治疗系统的图像引导部分 | 第14-20页 |
| ·国内外 HIFU 图像引导系统现状 | 第15-16页 |
| ·本研究中HIFU 图像引导系统 | 第16-20页 |
| ·论文研究内容与机构安排 | 第20-22页 |
| 第二章 统计学习理论与支持向量机 | 第22-42页 |
| ·学习问题的发展 | 第22-24页 |
| ·学习问题的表示 | 第24-26页 |
| ·函数估计模型 | 第24-25页 |
| ·经验风险最小化原则 | 第25页 |
| ·学习理论的四个部分 | 第25-26页 |
| ·学习问题的主要内容 | 第26-32页 |
| ·学习过程的一致性理论 | 第26-28页 |
| ·学习过程收敛速度的界 | 第28-29页 |
| ·控制学习机器的推广能力理论 | 第29-31页 |
| ·构造学习算法理论 | 第31-32页 |
| ·用于模式识别的支持向量机 | 第32-38页 |
| ·最优分类超平面 | 第32-34页 |
| ·支持向量机 | 第34-35页 |
| ·支持向量机的几种变形 | 第35-38页 |
| ·用于回归估计的支持向量机 | 第38-41页 |
| ·一些常用的损失函数 | 第39页 |
| ·函数估计方法 | 第39-41页 |
| ·小结 | 第41-42页 |
| 第三章 基于 SVM 的概率密度估计方法 | 第42-63页 |
| ·概率密度估计问题的描述 | 第43-44页 |
| ·SVM 方法解线性算子方程 | 第44-45页 |
| ·基于单一核函数的线性SVM 概率密度估计 | 第45-55页 |
| ·算法构造 | 第45-49页 |
| ·训练算法 | 第49-51页 |
| ·仿真实验 | 第51-55页 |
| ·基于多核SVM 的概率密度估计 | 第55-58页 |
| ·基于SVM 的多维概率密度估计 | 第58-61页 |
| ·小结 | 第61-63页 |
| 第四章 基于SVM 的医学图像分割 | 第63-90页 |
| ·目前HIFU 图像引导系统中的分割方法 | 第63-64页 |
| ·用于图像分割的水平集方法 | 第64-72页 |
| ·曲线演化理论 | 第64-65页 |
| ·水平集理论 | 第65-68页 |
| ·基于边缘停止模型的活动轮廓 | 第68-69页 |
| ·基于能量最小化的活动轮廓 | 第69-72页 |
| ·基于灰度与曲率先验模型的分割方法 | 第72-83页 |
| ·算法实现 | 第73-76页 |
| ·符号距离函数的构造 | 第76-78页 |
| ·实验分析 | 第78-83页 |
| ·基于形状先验模型的分割方法 | 第83-89页 |
| ·算法实现 | 第84-87页 |
| ·实验分析 | 第87-89页 |
| ·小结 | 第89-90页 |
| 第五章 基于SVM 的医学图像配准 | 第90-105页 |
| ·医学图像配准方法的概述 | 第91-96页 |
| ·医学图像配准方法的分类 | 第91-93页 |
| ·目前一些主要的医学配准方法 | 第93-96页 |
| ·目前HIFU 图像引导系统中的配准方法 | 第96页 |
| ·基于SVM 的医学图像配准 | 第96-104页 |
| ·算法实现 | 第96-97页 |
| ·算法实现中的一些关键技术 | 第97-99页 |
| ·实验分析 | 第99-104页 |
| ·小结 | 第104-105页 |
| 第六章 总结与展望 | 第105-107页 |
| 参考文献 | 第107-114页 |
| 致谢 | 第114-115页 |
| 攻读博士学位期间完成的学术论文 | 第115页 |
