基于放射组学的肺ROI特征提取与选择和结节的良恶性分类
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状及发展 | 第11-14页 |
| 1.3 论文的主要工作和内容 | 第14-15页 |
| 1.4 章节安排 | 第15-17页 |
| 第2章 放射组学中图像的分割方法 | 第17-26页 |
| 2.1 CT图像的特点 | 第17-18页 |
| 2.2 获取肺部CT图像ROI的分割方法 | 第18-22页 |
| 2.2.1 基于体素的图像分割方法 | 第18-19页 |
| 2.2.2 基于区域的图像分割方法 | 第19-20页 |
| 2.2.3 基于边缘检测的图像分割方法 | 第20页 |
| 2.2.4 基于形变模型的图像分割方法 | 第20-21页 |
| 2.2.5 基于聚类的图像分割方法 | 第21-22页 |
| 2.3 基于随机游走图像分割算法的ROI获取 | 第22-25页 |
| 2.3.1 随机游走算法的基本理论 | 第22-24页 |
| 2.3.2 图像分割的步骤和结果 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 放射组学特征的提取和选择 | 第26-39页 |
| 3.1 肺部CT图像ROI的特征提取 | 第26-34页 |
| 3.1.1 几何特征的提取 | 第26-30页 |
| 3.1.2 纹理特征的提取 | 第30-33页 |
| 3.1.3 直方图特征的提取 | 第33-34页 |
| 3.2 基于Relief的特征选择方法 | 第34-38页 |
| 3.2.1 特征选择 | 第34-35页 |
| 3.2.2 RFE-Relief特征选择方法 | 第35-38页 |
| 3.3 本章小结 | 第38-39页 |
| 第4章 基于深度置信网络的肺结节良恶性分类 | 第39-48页 |
| 4.1 受限制玻尔兹曼机 | 第39-40页 |
| 4.2 深度置信网络 | 第40-41页 |
| 4.3 基于DBN的结节良恶性分类 | 第41-47页 |
| 4.3.1 RBM的训练方法 | 第42-44页 |
| 4.3.2 Softmax分类器 | 第44-46页 |
| 4.3.3 DBN预训练和微调 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 实验结果和讨论 | 第48-56页 |
| 5.1 实验环境与数据来源 | 第48页 |
| 5.2 实验性能评估方法 | 第48-50页 |
| 5.3 实验参数设置及分析 | 第50-54页 |
| 5.3.1 DBN隐含层节点数对分类结果的影响 | 第51-52页 |
| 5.3.2 DBN层数对分类结果的影响 | 第52页 |
| 5.3.3 特征对分类结果的影响 | 第52-54页 |
| 5.4 实验结果和分析 | 第54-55页 |
| 5.4.1 本文实验结果 | 第54-55页 |
| 5.4.2 本文方法与其它分类方法比较 | 第55页 |
| 5.5 本章小结 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 本文工作总结 | 第56-57页 |
| 6.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-64页 |
| 攻读硕士学位期间发表的论文情况 | 第64页 |
