| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第二章 相关技术研究 | 第14-30页 |
| 2.1 脑部医学图像成像技术 | 第14-15页 |
| 2.2 常用的医学图像去噪方法 | 第15-17页 |
| 2.3 代价敏感学习 | 第17-19页 |
| 2.4 基于最小风险的贝叶斯决策 | 第19-20页 |
| 2.5 Parzen窗函数 | 第20-21页 |
| 2.6 基于密度函数核估计的概率神经网络 | 第21-23页 |
| 2.7 PACS系统 | 第23-25页 |
| 2.8 DICOM医学图像标准 | 第25-29页 |
| 2.9 本章小结 | 第29-30页 |
| 第三章 预处理和分割模块的实现 | 第30-40页 |
| 3.1 CIBMICAD辅助诊断系统 | 第30-31页 |
| 3.2 中值滤波算法对MRI脑部图像进行预处理 | 第31-34页 |
| 3.3 基于PCNN的MRI脑部图像分割 | 第34-38页 |
| 3.3.1 基于PCNN对MRI脑部图像进行分割的原理 | 第35-36页 |
| 3.3.2 PCNN实现MRI脑部图像的自动分割 | 第36-38页 |
| 3.3.3 实验结果与分析 | 第38页 |
| 3.4 本章小结 | 第38-40页 |
| 第四章 特征提取和选择模块的实现 | 第40-51页 |
| 4.1 DWT对MRI脑部图像进行特征提取 | 第40-46页 |
| 4.1.1 DWT对图像进行特征提取的原理 | 第40-42页 |
| 4.1.2 DWT对MRI脑图像进行一次分解的工作流程 | 第42-43页 |
| 4.1.3 DWT对MRI脑部图像实现特征提取 | 第43-46页 |
| 4.2 基于PCA对小波系数进行特征选择 | 第46-50页 |
| 4.3 本章小结 | 第50-51页 |
| 第五章 基于脑图像的类别分布不均衡的代价敏感概率神经网络 | 第51-68页 |
| 5.1 基于医学图像的辅助诊断特点 | 第51-52页 |
| 5.2 基于类别分布不均衡的分类性能评估 | 第52-55页 |
| 5.3 代价敏感概率神经网络 | 第55-62页 |
| 5.3.1 代价函数 | 第55-56页 |
| 5.3.2 代价敏感概率神经网络的网络模型 | 第56-59页 |
| 5.3.3 代价敏感概率神经网络学习过程 | 第59-61页 |
| 5.3.4 基于代价敏感概率神经网络的分类 | 第61-62页 |
| 5.4 实验结果与分析 | 第62-67页 |
| 5.4.1 实验环境和数据集 | 第62-63页 |
| 5.4.2 误分类代价设置 | 第63-64页 |
| 5.4.3 实验结果与分析 | 第64-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 图版 | 第74-76页 |
| 表版 | 第76-77页 |
| 附录 | 第77-78页 |
