基于半监督学习的肺部CT图像中结节检测研究与实现
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-16页 |
| ·课题背景 | 第9-10页 |
| ·课题意义 | 第9-10页 |
| ·课题来源 | 第10页 |
| ·国内外研究现状 | 第10-14页 |
| ·初始结节检测 | 第10-12页 |
| ·基于学习方法的肺结节识别 | 第12-14页 |
| ·肺结节辅助诊断所面临的问题 | 第14页 |
| ·本文的研究内容及组织结构 | 第14-16页 |
| 第2章 肺结节检测 | 第16-31页 |
| ·CT 原理及DICOM 文件介绍 | 第16-17页 |
| ·肺实质提取 | 第17-21页 |
| ·区域生长算法 | 第19-21页 |
| ·ROI 区域与特征提取 | 第21-23页 |
| ·获取初始ROIs | 第21-22页 |
| ·类圆形检测 | 第22页 |
| ·特征提取 | 第22-23页 |
| ·基于半监督学习的肺结节预测 | 第23-26页 |
| ·半监督机器学习算法 | 第23-25页 |
| ·Co-Forest 算法 | 第25-26页 |
| ·肺结节检测实验 | 第26-28页 |
| ·实验数据 | 第26页 |
| ·性能评估指标 | 第26-27页 |
| ·实验结果 | 第27-28页 |
| ·辅助诊断系统中的肺结节自动检测实验 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 肺结节的良恶性预测 | 第31-39页 |
| ·肺结节病理特征与医学征象 | 第31-32页 |
| ·本文选取的特征 | 第32-34页 |
| ·基于SVM 的肺结节良恶性预测 | 第34-37页 |
| ·肺结节良恶性预测实验 | 第37页 |
| ·本章小结 | 第37-39页 |
| 第4章 肺结节辅助诊断系统 | 第39-49页 |
| ·总体设计 | 第39-41页 |
| ·用户交互 | 第41-47页 |
| ·肺结节标记工具 | 第47-48页 |
| ·本章小结 | 第48-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 攻读学位期间发表的学术论文 | 第56-58页 |
| 致谢 | 第58页 |
