基于随机森林和BSS特征的PET-CT肺肿瘤分割
| 中文摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 引言 | 第9-17页 |
| 1.1 PET-CT肺肿瘤分割的研究背景及意义 | 第9-11页 |
| 1.1.1 肺癌的研究背景 | 第9页 |
| 1.1.2 医学影像技术研究意义 | 第9-11页 |
| 1.2 图像分割算法简介 | 第11-13页 |
| 1.3 肺肿瘤分割方法研究现状 | 第13-14页 |
| 1.4 本文的研究内容 | 第14-15页 |
| 1.5 文章组织结构 | 第15-17页 |
| 第二章 单调下降函数、随机森林和BSS算法 | 第17-26页 |
| 2.1 单调下降函数 | 第17-18页 |
| 2.1.1 单调下降函数简介 | 第17页 |
| 2.1.2 单调下降函数原理和解法 | 第17-18页 |
| 2.2 随机森林 | 第18-21页 |
| 2.2.1 随机森林简介 | 第18-19页 |
| 2.2.2 随机森林分类原理 | 第19-20页 |
| 2.2.3 随机性和特征的重要性 | 第20-21页 |
| 2.2.4 随机森林解法 | 第21页 |
| 2.3 盲源分离算法模型 | 第21-25页 |
| 2.3.1 盲源分离对多通道图像分解 | 第21-22页 |
| 2.3.2 盲源分离对单通道图像分解 | 第22-23页 |
| 2.3.3 盲源分离在PET图像上的解法 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 肺肿瘤的分割 | 第26-40页 |
| 3.1 算法及创新 | 第26-27页 |
| 3.1.1 算法简介 | 第26页 |
| 3.1.2 本文的创新点 | 第26-27页 |
| 3.2 预处理 | 第27-29页 |
| 3.2.1 PET图像上采样 | 第27页 |
| 3.2.2 排除骨骼区域 | 第27-28页 |
| 3.2.3 获得连通区域 | 第28-29页 |
| 3.3 同质均匀肿瘤定位 | 第29-31页 |
| 3.4 肿瘤精确分割 | 第31-39页 |
| 3.4.1 特征提取 | 第32-35页 |
| 3.4.2 特征选择 | 第35-36页 |
| 3.4.3 随机森林训练 | 第36-38页 |
| 3.4.4 随机森林分割 | 第38-39页 |
| 3.5 后处理 | 第39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 实验结果及分析 | 第40-47页 |
| 4.1 实验结果分析 | 第40-42页 |
| 4.1.1 图像的获取 | 第40-41页 |
| 4.1.2 评判标准 | 第41页 |
| 4.1.3 参数值的设置 | 第41-42页 |
| 4.2 实验分析与比较 | 第42-46页 |
| 4.2.1 金标准的相关性 | 第42页 |
| 4.2.2 与其他图像分割算法进行比较 | 第42-46页 |
| 4.3 本章小结 | 第46-47页 |
| 第五章 总结和展望 | 第47-49页 |
| 5.1 总结 | 第47-48页 |
| 5.2 展望 | 第48-49页 |
| 参考文献 | 第49-56页 |
| 攻读学位期间公开发表的论文、专利 | 第56-57页 |
| 附录 缩略词 | 第57-58页 |
| 致谢 | 第58-59页 |
