| 中文摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-24页 |
| ·引言 | 第10-11页 |
| ·图像数据挖掘模型和方法 | 第11-14页 |
| ·图像数据挖掘模型 | 第12-13页 |
| ·图像数据挖掘方法 | 第13-14页 |
| ·论文选题来源及研究背景 | 第14-17页 |
| ·本论文研究内容 | 第17-19页 |
| ·本论文的组织结构 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 本章参考文献 | 第21-24页 |
| 第二章 国内外研究现状分析 | 第24-53页 |
| ·基于乳腺钼靶X线图像的不对称性研究 | 第24-25页 |
| ·基于纹理的结构紊乱分析 | 第25-26页 |
| ·微钙化点(簇)和肿块的探测及分类 | 第26-41页 |
| ·图像增强算法 | 第26-30页 |
| ·传统增强算法 | 第27页 |
| ·基于区域的增强算法 | 第27-28页 |
| ·基于特征的增强算法 | 第28-30页 |
| ·图像增强算法评价 | 第30-32页 |
| ·图像分割算法 | 第32-34页 |
| ·基于区域的分割算法 | 第32页 |
| ·模糊分割算法 | 第32-33页 |
| ·数学形态学分割算法 | 第33-34页 |
| ·小波分割算法 | 第34页 |
| ·特征提取和选择 | 第34-38页 |
| ·纹理特征 | 第35-36页 |
| ·形状特征 | 第36-37页 |
| ·特征选择 | 第37-38页 |
| ·良恶性分类算法 | 第38-41页 |
| ·人工神经网络(ANN) | 第38-39页 |
| ·K—最近邻分类(KNN) | 第39页 |
| ·贝叶斯信念网络(BBN) | 第39页 |
| ·决策树 | 第39-40页 |
| ·支持向量机(SVM) | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 本章参考文献 | 第42-53页 |
| 第三章 钼靶X线图像对比度增强算法 | 第53-68页 |
| ·引言 | 第53页 |
| ·均匀度概念和表征元素 | 第53-55页 |
| ·算法描述 | 第55-57页 |
| ·增强放大因子的确定 | 第57-60页 |
| ·已有的钼靶X线图像增强算法 | 第60-63页 |
| ·数学形态学增强算法 | 第60-61页 |
| ·直方图均衡化算法 | 第61-63页 |
| ·对比度增强效果量化评价 | 第63-65页 |
| ·本章小结 | 第65-66页 |
| 本章参考文献 | 第66-68页 |
| 第四章 感兴趣区域分割 | 第68-76页 |
| ·基于多阈值的区域增长分割算法 | 第68-71页 |
| ·基于可变形模型的分割算法 | 第71-73页 |
| ·本章小结 | 第73-74页 |
| 本章参考文献 | 第74-76页 |
| 第五章 特征提取与选择 | 第76-104页 |
| ·引言 | 第76页 |
| ·特征提取 | 第76-88页 |
| ·纹理特征 | 第77-81页 |
| ·形状特征 | 第81-87页 |
| ·统计特征 | 第87-88页 |
| ·特征选择 | 第88-99页 |
| ·PCA算法 | 第89-90页 |
| ·粗糙集理论 | 第90-99页 |
| ·基本概念 | 第91-92页 |
| ·属性依赖 | 第92-93页 |
| ·属性约简和核 | 第93-94页 |
| ·典型的属性约简算法 | 第94-95页 |
| ·基于K-L变换和属性平均依赖程度的约简算法 | 第95-99页 |
| ·实验结果与分析 | 第99-100页 |
| ·本章小结 | 第100-101页 |
| 本章参考文献 | 第101-104页 |
| 第六章 改进的支持向量机分类算法(DFP—PSVM) | 第104-125页 |
| ·引言 | 第104-105页 |
| ·理论基础 | 第105-108页 |
| ·VC维 | 第106页 |
| ·结构风险最小化原则 | 第106-108页 |
| ·支持向量机分类算法 | 第108-113页 |
| ·线性支持向量机分类算法 | 第108-111页 |
| ·线性不可分情况下的SVM | 第111-112页 |
| ·非线性支持向量机分类算法 | 第112-113页 |
| ·标准SVM算法存在的问题及对应策略 | 第113-114页 |
| ·近似的支持向量机算法(PSVM) | 第114-120页 |
| ·线性PSVM二类分类器 | 第114-117页 |
| ·非线性PSVM二类分类器 | 第117-119页 |
| ·存在的问题 | 第119-120页 |
| ·非平衡分布数据的支持向量机算法(DFP-PSVM) | 第120-122页 |
| ·本章小结 | 第122-123页 |
| 本章参考文献 | 第123-125页 |
| 第七章 基于数据挖掘技术的乳腺肿瘤计算机辅助诊断系统 | 第125-128页 |
| ·系统框架 | 第125-126页 |
| ·图像数据处理流程 | 第126页 |
| ·本章小结 | 第126-128页 |
| 第八章 总结和展望 | 第128-131页 |
| ·本文工作总结 | 第128-129页 |
| ·进一步工作展望 | 第129-131页 |
| 攻读博士学位期间发表的论文 | 第131-132页 |
| 致谢 | 第132页 |
