| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究的背景与意义 | 第9-10页 |
| 1.2 课题研究的内容与现状 | 第10-12页 |
| 1.2.1 肺结节图像分割 | 第10-11页 |
| 1.2.2 肺结节特征参数的提取和优化 | 第11-12页 |
| 1.2.3 肺结节良、恶性辅助诊断 | 第12页 |
| 1.3 论文结构 | 第12-15页 |
| 第2章 肺结节分割及其Local Jet变换 | 第15-23页 |
| 2.1 CT图像数据准备 | 第15-16页 |
| 2.2 肺结节分割 | 第16-20页 |
| 2.2.1 FCM基本原理 | 第17-18页 |
| 2.2.2 基于FCM的肺结节分割方法 | 第18-19页 |
| 2.2.3 肺结节分割结果 | 第19-20页 |
| 2.3 肺结节Local Jet变换 | 第20-22页 |
| 2.3.1 Local Jet变换的基本原理 | 第20-21页 |
| 2.3.2 Local Jet变换在肺结节图像中的应用 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 特征参数的提取和优化 | 第23-35页 |
| 3.1 灰度特征 | 第23-24页 |
| 3.2 形态特征 | 第24-27页 |
| 3.3 纹理特征 | 第27-31页 |
| 3.3.1 基于GLCM的纹理特征参数 | 第27-29页 |
| 3.3.2 基于Local Jet变换的纹理特征参数 | 第29-31页 |
| 3.4 基于PCA和KPCA的特征参数优化 | 第31-34页 |
| 3.4.1 PCA基本原理 | 第31-32页 |
| 3.4.2 KPCA基本原理 | 第32-33页 |
| 3.4.3 PCA和KPCA特征参数优化结果 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 基于浅层机器学习方法的肺结节辅助诊断 | 第35-47页 |
| 4.1 实验数据 | 第35-36页 |
| 4.2 BP神经网络 | 第36-38页 |
| 4.3 支持向量机 | 第38-40页 |
| 4.4 基于Bootstrap-异质SVM的集成学习方法 | 第40-43页 |
| 4.4.1 Bootstrap基本原理 | 第40-41页 |
| 4.4.2 异质支持向量机 | 第41-42页 |
| 4.4.3 Bootstrap-异质SVM集成学习算法 | 第42-43页 |
| 4.5 三种分类方法的性能比较 | 第43-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第5章 基于CNN的肺结节辅助诊断 | 第47-59页 |
| 5.1 CNN背景知识 | 第47-48页 |
| 5.2 CNN基本原理 | 第48-51页 |
| 5.3 基于肺结节CT图像的CNN搭建 | 第51-54页 |
| 5.3.1 输入图像预处理 | 第51-52页 |
| 5.3.2 单输入CNN的搭建 | 第52-53页 |
| 5.3.3 3D-CNN的搭建 | 第53-54页 |
| 5.4 分类结果与分析 | 第54-57页 |
| 5.5 本章小结 | 第57-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 工作总结 | 第59-60页 |
| 6.2 工作展望 | 第60-61页 |
| 参考文献 | 第61-66页 |
| 发表论文和参加科研情况说明 | 第66-67页 |
| 致谢 | 第67-68页 |
