脑CT图像分类及可视化方法研究
| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究的主要内容 | 第13-14页 |
| 1.4 论文的组织结构 | 第14-15页 |
| 第2章 医学图像分类及可视化相关技术简介 | 第15-20页 |
| 2.1 图像预处理 | 第15-16页 |
| 2.2 医学图像特征提取 | 第16页 |
| 2.2.1 LBP | 第16页 |
| 2.2.2 SIFT | 第16页 |
| 2.3 相关分类方法 | 第16-18页 |
| 2.3.1 SVM | 第17页 |
| 2.3.2 Logistic回归 | 第17页 |
| 2.3.3 kNN | 第17-18页 |
| 2.4 可视分析技术 | 第18-19页 |
| 2.4.1 D3.js库 | 第18页 |
| 2.4.2 EmguCV组件 | 第18-19页 |
| 2.4.3 WPF框架 | 第19页 |
| 2.5 本章小节 | 第19-20页 |
| 第3章 基于SIFT特征的脑中线提取方法 | 第20-37页 |
| 3.1 本章研究内容框架 | 第20页 |
| 3.2 离线训练阶段 | 第20-26页 |
| 3.2.1 脑中线特征点采集 | 第21-23页 |
| 3.2.2 易混淆点抽取算法 | 第23-25页 |
| 3.2.3 相似特征点融合算法 | 第25-26页 |
| 3.3 在线提取阶段 | 第26-30页 |
| 3.3.1 匹配点集生成算法 | 第26-28页 |
| 3.3.2 匹配点集剪枝算法 | 第28-30页 |
| 3.4 实验结果分析 | 第30-36页 |
| 3.4.1 阈值选取实验 | 第30-33页 |
| 3.4.2 容忍度实验 | 第33-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于纹理块编码树的脑CT图像分类方法 | 第37-52页 |
| 4.1 纹理块编码树模型 | 第38-40页 |
| 4.2 基于编码的纹理相似性匹配 | 第40-45页 |
| 4.2.1 粗粒度匹配规则 | 第41-42页 |
| 4.2.2 细粒度匹配规则 | 第42-45页 |
| 4.3 索引结构 | 第45-46页 |
| 4.4 实验结果分析 | 第46-51页 |
| 4.4.1 容忍度 | 第46-47页 |
| 4.4.2 区分度 | 第47-49页 |
| 4.4.3 分类性能 | 第49-50页 |
| 4.4.4 运行时间 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 基于交互模型的脑CT图像分类可视化 | 第52-62页 |
| 5.1 可视化模型 | 第52-54页 |
| 5.1.1 可视化理论 | 第52-53页 |
| 5.1.2 交互模型 | 第53-54页 |
| 5.2 系统架构 | 第54-56页 |
| 5.2.1 数据管理模块 | 第55页 |
| 5.2.2 计算模块 | 第55-56页 |
| 5.2.3 人机交互与可视化模块 | 第56页 |
| 5.3 系统关键技术 | 第56-57页 |
| 5.3.1 可视化策略 | 第56页 |
| 5.3.2 简化交互策略 | 第56-57页 |
| 5.4 系统演示 | 第57-61页 |
| 5.4.1 系统主界面 | 第57页 |
| 5.4.2 读取图像数据 | 第57-58页 |
| 5.4.3 特征提取可视化 | 第58-59页 |
| 5.4.4 分类过程的结果反馈 | 第59-61页 |
| 5.5 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第70-71页 |
| 致谢 | 第71页 |
