| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.3 本文主要工作 | 第14-16页 |
| 1.4 论文组织结构 | 第16-18页 |
| 2 相关技术 | 第18-29页 |
| 2.1 特征提取 | 第18-19页 |
| 2.2 特征选择 | 第19-21页 |
| 2.3 机器学习算法 | 第21-28页 |
| 2.3.1 最小绝对收缩和选择算子(Lasso) | 第22-23页 |
| 2.3.2 逻辑回归(Logistic Regression,LR) | 第23-24页 |
| 2.3.3 支持向量机(Support Vector Machine,SVM) | 第24-26页 |
| 2.3.4 随机森林(Random Forest,RF) | 第26-27页 |
| 2.3.5 分类器性能评价指标 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 数据处理与特征工程 | 第29-37页 |
| 3.1 实验数据 | 第29-34页 |
| 3.2 图像预处理 | 第34-35页 |
| 3.3 特征工程 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 分类模型构建 | 第37-42页 |
| 4.1 分类模型训练 | 第37-41页 |
| 4.1.1 逻辑回归(LR)模型训练 | 第37-38页 |
| 4.1.2 支持向量机(SVM)模型训练 | 第38-39页 |
| 4.1.3 随机森林(RF)模型训练 | 第39-41页 |
| 4.1.4 分类模型性能评估 | 第41页 |
| 4.2 本章小结 | 第41-42页 |
| 5 实验结果及分析 | 第42-55页 |
| 5.1 Lasso特征选择结果分析 | 第42-44页 |
| 5.2 影像组学特征分类模型结果分析 | 第44-48页 |
| 5.2.1 逻辑回归分类结果分析 | 第44-45页 |
| 5.2.2 支持向量机分类结果分析 | 第45页 |
| 5.2.3 随机森林分类结果分析 | 第45-46页 |
| 5.2.4 三个影像组学模型结果对比分析 | 第46-48页 |
| 5.3 临床信息分类模型结果 | 第48页 |
| 5.4 临床信息加影像组学特征分类模型结果 | 第48-49页 |
| 5.5 模型之间的比较 | 第49-54页 |
| 5.6 本章小结 | 第54-55页 |
| 6 总结与展望 | 第55-57页 |
| 6.1 本文工作总结 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第61-62页 |
| 致谢 | 第62页 |
