医学图像分类中的特征融合与特征学习研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 医学图像模态分类的研究现状 | 第11-12页 |
| 1.2.2 肺结节检测和识别的研究概况 | 第12-13页 |
| 1.3 本文研究内容与贡献 | 第13页 |
| 1.4 本文的结构安排 | 第13-15页 |
| 第二章 医学图像分类的关键技术 | 第15-29页 |
| 2.1 医学图像的特点 | 第15-16页 |
| 2.2 医学图像的特征 | 第16-19页 |
| 2.2.1 视觉特征 | 第16-18页 |
| 2.2.2 文本特征 | 第18-19页 |
| 2.3 特征学习 | 第19-23页 |
| 2.3.1 自动编码器 | 第19-21页 |
| 2.3.2 受限的玻尔兹曼机 | 第21-23页 |
| 2.4 支持向量机与核方法 | 第23-28页 |
| 2.4.1 线性支持向量机 | 第23-26页 |
| 2.4.2 非线性支持向量机与核方法 | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 融合多模态特征的医学图像分类 | 第29-42页 |
| 3.1 基于信息增益的特征选择算法 | 第29-30页 |
| 3.2 多特征融合 | 第30-31页 |
| 3.3 多核学习 | 第31-34页 |
| 3.3.1 l_1-norm多核学习 | 第31-32页 |
| 3.3.2 l_p-norm多核学习 | 第32-33页 |
| 3.3.3 核矩阵归一化 | 第33-34页 |
| 3.4 实验内容与结果评析 | 第34-41页 |
| 3.4.1 实验数据集 | 第34-35页 |
| 3.4.2 特征提取 | 第35-37页 |
| 3.4.3 实验结果与分析 | 第37-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于特征学习的肺部结节识别 | 第42-73页 |
| 4.1 肺部区域的自动分割 | 第43-50页 |
| 4.1.1 自适应的直方图均衡化 | 第43-46页 |
| 4.1.2 肺区掩模图像的预提取 | 第46-47页 |
| 4.1.3 肺区掩模图的凸包计算及扩展 | 第47-49页 |
| 4.1.4 实验结果 | 第49-50页 |
| 4.2 结节疑似区域检测 | 第50-58页 |
| 4.2.1 肺部图像的局部增强 | 第51-52页 |
| 4.2.2 肺区域的肋骨抑制 | 第52-53页 |
| 4.2.3 多尺度框架与DOG检测算子 | 第53-55页 |
| 4.2.4 实验结果与结论评析 | 第55-58页 |
| 4.3 结节的初步筛选 | 第58-62页 |
| 4.3.1 数据的不平衡 | 第58-59页 |
| 4.3.2 代价敏感支持向量机 | 第59-60页 |
| 4.3.3 实验内容与结果评析 | 第60-62页 |
| 4.4 结节的分类与识别 | 第62-71页 |
| 4.4.1 数据集的准备与预处理 | 第63-64页 |
| 4.4.2 特征映射函数 | 第64页 |
| 4.4.3 特征提取与池化 | 第64-66页 |
| 4.4.4 实验内容与评析 | 第66-71页 |
| 4.5 本章小结 | 第71-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 本文主要工作与结论 | 第73-74页 |
| 5.2 工作展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻硕期间的研究成果 | 第80页 |
