摘要 | 第5-7页 |
Abstract | 第7-9页 |
第1章 绪论 | 第17-30页 |
1.1 课题研究背景与意义 | 第17-19页 |
1.2 国内外研究现状 | 第19-28页 |
1.2.1 基于医学影像CAD发展历程 | 第19-20页 |
1.2.2 肺癌CAD研究现状 | 第20-22页 |
1.2.3 肺癌CAD关键技术研究现状 | 第22-28页 |
1.3 本文的主要工作 | 第28-29页 |
1.4 论文结构 | 第29-30页 |
第2章 多专家标注的LIDC-IDRI“金标准”生成 | 第30-46页 |
2.1 LIDC-IDRI数据集 | 第30-34页 |
2.2 相关工作 | 第34-38页 |
2.2.1 STAPLE算法 | 第34-36页 |
2.2.2 STAPLE算法分析 | 第36-38页 |
2.3 基于数据欠抽样的STAPLE算法 | 第38-40页 |
2.4 实验验证 | 第40-43页 |
2.5 基于ISTAPLE算法的LIDC-IDRI肺结节“金标准”生成 | 第43-45页 |
2.6 小结 | 第45-46页 |
第3章 肺结节图像特征提取方法研究 | 第46-62页 |
3.1 引言 | 第46页 |
3.2 相关工作 | 第46-48页 |
3.3 表面法线方向直方图(HoSN) | 第48-55页 |
3.3.1 假阳性结节分析 | 第48-49页 |
3.3.2 血管、结节、血管交叉法线方向分布 | 第49-52页 |
3.3.3 基于Hessian矩阵分解的表面法线求解 | 第52-53页 |
3.3.4 自适应体窗的表面法线方向直方图 | 第53-55页 |
3.4 实验验证 | 第55-60页 |
3.4.1 实验数据 | 第55页 |
3.4.2 候选结节提取 | 第55-56页 |
3.4.3 HoSN特征提取与分类 | 第56-59页 |
3.4.4 和其他特征提取方法比较 | 第59-60页 |
3.4.5 与其他肺结节检测算法的性能比较 | 第60页 |
3.5 本章小结 | 第60-62页 |
第4章 肺结节语义特征提取方法研究 | 第62-79页 |
4.1 相关研究 | 第62-64页 |
4.2 基于半监督协同森林的肺结节语义特征量化方法 | 第64-71页 |
4.2.1 图像底层特征提取 | 第65-69页 |
4.2.2 基于半监督协同森林的肺结节语义特征映射模型 | 第69-71页 |
4.3 实验结果与分析 | 第71-78页 |
4.3.1 实验数据集 | 第71-75页 |
4.3.2 实验结果与分析 | 第75-78页 |
4.4 本章小结 | 第78-79页 |
第五章 基于不平衡学习的假阳性去除 | 第79-96页 |
5.1 引言 | 第79页 |
5.2 现有工作 | 第79-81页 |
5.3 SMOTE类数据过采样方法存在问题 | 第81-83页 |
5.4 基于权重的边界过采样方法 | 第83-90页 |
5.4.1 清理噪声样本 | 第83-84页 |
5.4.2 识别边界样本 | 第84-85页 |
5.4.3 计算样本权重 | 第85-88页 |
5.4.4 合成样本 | 第88-90页 |
5.4.5 聚类少数类样本 | 第90页 |
5.5 实验验证 | 第90-95页 |
5.5.1 实验设计 | 第90-91页 |
5.5.2 数据集 | 第91-92页 |
5.5.3 分类器选择和参数设置 | 第92页 |
5.5.4 实验结果与分析 | 第92-95页 |
5.6 本章小结 | 第95-96页 |
第六章 基于特征源分组集成学习的肺结节良恶性诊断研究 | 第96-109页 |
6.1 引言 | 第96页 |
6.2 相关工作 | 第96-98页 |
6.3 基于特征源分组的集成学习方法 | 第98-101页 |
6.3.1 基分类器生成 | 第98-99页 |
6.3.2 基分类器差异性度量 | 第99-100页 |
6.3.3 基于排序的选择性集成 | 第100-101页 |
6.3.4 加权投票的集成 | 第101页 |
6.4 实验结果及分析 | 第101-108页 |
6.4.1 实验数据 | 第101-102页 |
6.4.2 实验结果与分析 | 第102-108页 |
6.5 本章小结 | 第108-109页 |
结论 | 第109-112页 |
工作总结 | 第109-111页 |
工作展望 | 第111-112页 |
参考文献 | 第112-125页 |
致谢 | 第125-126页 |
附录A 攻读学位期间所发表的学术论文目录 | 第126-127页 |
附录B 攻读学位期间所参加的科研项目 | 第127页 |