基于仿生模式识别的孤立性肺结节诊断研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-15页 |
| ·问题的提出和意义 | 第9-10页 |
| ·国内外研究概况 | 第10-11页 |
| ·基于灰度阈值的方法 | 第10页 |
| ·基于几何(形态)特征的方法 | 第10-11页 |
| ·基于神经网络的方法和其他方法 | 第11页 |
| ·肺部CT 图像介绍与SPNS 诊断的一般流程 | 第11-13页 |
| ·本文的研究内容及组织结构 | 第13-15页 |
| 2 模式分类方法研究 | 第15-37页 |
| ·人工神经网络概述 | 第15-23页 |
| ·引言 | 第15-16页 |
| ·神经网络的应用及研究方向 | 第16页 |
| ·神经元模型 | 第16-17页 |
| ·神经网络的学习和训练 | 第17-18页 |
| ·前馈神经网络的主要算法 | 第18-23页 |
| ·仿生模式识别理论 | 第23-28页 |
| ·仿生模式识别的基本出发点 | 第23-25页 |
| ·仿生模式识别的理论基础 | 第25页 |
| ·仿生模式识别的分析方法和实现途径 | 第25-28页 |
| ·支持向量机 | 第28-36页 |
| ·最优分类面 | 第28-31页 |
| ·广义最优分类面 | 第31-32页 |
| ·高维空间中的最优分类面 | 第32-33页 |
| ·支持向量机 | 第33-34页 |
| ·核函数 | 第34-35页 |
| ·支持向量机的应用 | 第35-36页 |
| ·三种模式分类方法的综合分析 | 第36-37页 |
| 3 基于仿生模式识别的孤立性肺结节检测 | 第37-49页 |
| ·孤立性肺结节检测算法 | 第37-41页 |
| ·基于仿生模式识别的检测算法 | 第37-39页 |
| ·基于SVM 的检测算法 | 第39-40页 |
| ·基于BP 神经网络的检测算法 | 第40-41页 |
| ·算法的评价标准 | 第41-45页 |
| ·交叉验证 | 第41-43页 |
| ·算法分类能力的ROC 评价模型 | 第43-45页 |
| ·实验及结果分析 | 第45-49页 |
| ·孤立性肺结节的检测实验 | 第45-47页 |
| ·分类器的ROC 曲线比较 | 第47-49页 |
| 4 孤立性肺结节的诊断 | 第49-59页 |
| ·孤立性肺结节的良恶性分类 | 第49-53页 |
| ·孤立性肺结节的良恶性分类模型的建立 | 第49-50页 |
| ·实验及结果分析 | 第50-53页 |
| ·孤立性肺结节的诊断 | 第53-59页 |
| ·基于仿生模式识别的孤立性肺结节诊断 | 第54-55页 |
| ·基于BP 神经网络的孤立性肺结节诊断 | 第55页 |
| ·实验及结果分析 | 第55-59页 |
| 5 总结与展望 | 第59-61页 |
| ·总结 | 第59页 |
| ·展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录A 作者在攻读硕士学位期间的其它工作 | 第66-67页 |
| 作者在攻读硕士学位期间发表的论文目录 | 第66页 |
| 作者在攻读硕士学位期间参加的科研项目 | 第66页 |
| 作者在攻读硕士学位期间参加的实践项目 | 第66-67页 |
| 附录B 文中常用缩写列表 | 第67页 |
