| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-15页 |
| ·课题研究背景和意义 | 第10-11页 |
| ·国内外的研究与现状 | 第11-14页 |
| ·本文研究的主要内容与组织 | 第14-15页 |
| 第二章 常用医学图像特征表示 | 第15-34页 |
| ·Patch 特征 | 第15页 |
| ·共生矩阵 | 第15-17页 |
| ·Tamuar 特征 | 第17-20页 |
| ·粗糙度（coarseness） | 第17-19页 |
| ·对比度（contrast） | 第19页 |
| ·方向度 | 第19-20页 |
| ·Tamuar 纹理特征的直方图表示 | 第20页 |
| ·Gabor 小波特征 | 第20-22页 |
| ·Lbp 特征 | 第22-27页 |
| ·基本Lbp 算子 | 第23-25页 |
| ·Lbp 算子的旋转不变性 | 第25-26页 |
| ·均匀模式Lbp 算子 | 第26-27页 |
| ·Lbp 直方图 | 第27页 |
| ·Sift 和modSift 特征 | 第27-33页 |
| ·Sift 特征 | 第27-32页 |
| ·ModSift 特征 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第三章 分类器介绍 | 第34-46页 |
| ·贝叶斯分类器 | 第34-35页 |
| ·贝叶斯定理 | 第34页 |
| ·贝叶斯分类器 | 第34-35页 |
| ·K-近邻分类器 | 第35-37页 |
| ·K-近邻分类原理 | 第36页 |
| ·K-近邻分类器讨论 | 第36-37页 |
| ·支持向量机 | 第37-43页 |
| ·线性支持向量机 | 第37-40页 |
| ·非线性支持向量机与核函数 | 第40-42页 |
| ·支持向量机的应用 | 第42-43页 |
| ·Boosting 分类器 | 第43-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于图像分块并利用空间金字塔的医学图像分类 | 第46-60页 |
| ·前人工作回顾 | 第46页 |
| ·Bag of Words（BoW）特征表示 | 第46-48页 |
| ·空间金字塔（SPM）的介绍 | 第48-50页 |
| ·金字塔匹配 | 第48-49页 |
| ·空间金字塔 | 第49-50页 |
| ·主成分分析法（PCA）的介绍 | 第50-51页 |
| ·结合Patch 特征与SPM 的医学图像分类 | 第51-54页 |
| ·数据与实验 | 第54-59页 |
| ·实验设置 | 第54-55页 |
| ·小数据集实验 | 第55-58页 |
| ·大数据集实验 | 第58-59页 |
| ·本章小结 | 第59-60页 |
| 第五章 基于Adaoosting 的医学图像模式分类 | 第60-71页 |
| ·医学图像模式分类介绍 | 第60-61页 |
| ·基于AdaBoosting 的几种多类分类方法 | 第61-66页 |
| ·AdaBoosting 与ECOC | 第61-63页 |
| ·AdaBoost.OC 和AdaBoost.ECC 算法 | 第63-65页 |
| ·AdaBoost.ERP 算法 | 第65-66页 |
| ·实验数据介绍与实验设置 | 第66-68页 |
| ·实验数据 | 第66-67页 |
| ·实验设置 | 第67-68页 |
| ·实验结果与分析 | 第68-70页 |
| ·本章小结 | 第70-71页 |
| 第六章 结论与展望 | 第71-73页 |
| ·本文的主要工作 | 第71-72页 |
| ·问题与展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 个人简历 | 第80-81页 |
| 攻硕期间取得的研究成果 | 第81-82页 |
