基于SVM方法的医学图像分类研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第1章 绪论 | 第7-15页 |
| ·引言 | 第7-8页 |
| ·基于医学影像的计算机辅助诊断 | 第8-10页 |
| ·支持向量机(SVM)及其应用研究 | 第10-12页 |
| ·支持向量机简介 | 第10-11页 |
| ·支持向量机应用研究 | 第11-12页 |
| ·SVM算法的研究状况 | 第12-13页 |
| ·本文的主要工作 | 第13-15页 |
| 第2章 统计学习理论及支持向量机 | 第15-26页 |
| ·机器学习的基本问题 | 第15-16页 |
| ·统计学习理论 | 第16-18页 |
| ·函数集学习性能的指标——VC维 | 第17页 |
| ·泛化问题的界 | 第17-18页 |
| ·结构风险最小化 | 第18-19页 |
| ·支持向量机 | 第19-25页 |
| ·线性可分情况 | 第19-21页 |
| ·线性不可分情况 | 第21-22页 |
| ·支持向量机 | 第22-24页 |
| ·核函数 | 第24-25页 |
| ·本章小结 | 第25-26页 |
| 第3章 SVM改进算法 | 第26-34页 |
| ·多类支持向量机 | 第26-28页 |
| ·K个(1-v-r)分类器 | 第26-27页 |
| ·K(K-1)/2个(1-v-1)分类器 | 第27页 |
| ·DAGs多分类法 | 第27-28页 |
| ·降低训练时间和计算复杂性的训练算法 | 第28-33页 |
| ·Chunking法 | 第30页 |
| ·分解法(decomposition) | 第30-31页 |
| ·SMO算法 | 第31-32页 |
| ·其它改进算法 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第4章 乳腺 X线影像特征提取 | 第34-41页 |
| ·乳腺影像辅助诊断系统 | 第34-35页 |
| ·乳腺 X线影像中微钙化点的特征提取 | 第35-38页 |
| ·区域与灰度特征 | 第35-36页 |
| ·边界与形态特征 | 第36-37页 |
| ·成簇性特征 | 第37-38页 |
| ·乳腺 X线影像中肿块的特征提取 | 第38-39页 |
| ·区域与灰度特征 | 第38页 |
| ·形态与边缘特征 | 第38-39页 |
| ·用SVM构造分类器 | 第39-40页 |
| ·本章小节 | 第40-41页 |
| 第5章 SVM的分类结果分析 | 第41-53页 |
| ·交叉验证 | 第41-43页 |
| ·核函数的选取与参数选择 | 第43-46页 |
| ·SVM与神经网络正确率比较 | 第46-48页 |
| ·用 ROC曲线评价模型的分类能力 | 第48-50页 |
| ·灵敏度和特异性的概念 | 第48-49页 |
| ·ROC曲线 | 第49页 |
| ·分类器ROC曲线比较 | 第49-50页 |
| ·SVM解决多分类问题 | 第50-53页 |
| 结束语 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 独创性声明 | 第60页 |
| 学位论文版权使用授权书 | 第60页 |
