| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 引言 | 第10-11页 |
| 1.2 基于超声的肝硬化检测及其成像现状研究 | 第11-17页 |
| 1.2.1 基于超声弹性成像的定征方法 | 第11-14页 |
| 1.2.2 基于B型图纹理的定征方法 | 第14-15页 |
| 1.2.3 基于RF时间序列的定征方法 | 第15-16页 |
| 1.2.4 基于单帧RF频谱分析的定征方法 | 第16-17页 |
| 1.3 本文的研究思路 | 第17页 |
| 1.4 本文内容安排和创新点 | 第17-20页 |
| 1.4.1 本文内容安排 | 第17-18页 |
| 1.4.2 本文创新点 | 第18-20页 |
| 第二章 基于小波包分解的特征提取及分类算法 | 第20-45页 |
| 2.1 小波分析原理 | 第20-27页 |
| 2.1.1 小波分析概述 | 第20-21页 |
| 2.1.2 连续小波变换 | 第21-22页 |
| 2.1.3 离散小波变换 | 第22-23页 |
| 2.1.4 基于Mallat的小波分解算法 | 第23-25页 |
| 2.1.5 小波包分解算法 | 第25-27页 |
| 2.2 曲线拟合回归分析 | 第27-29页 |
| 2.3 特征提取算法分析 | 第29-36页 |
| 2.3.1 基于小波包分解的弹性特征提取算法 | 第29-32页 |
| 2.3.2 Tamura纹理特征提取算法 | 第32-35页 |
| 2.3.3 灰度共生矩阵纹理特征提取算法 | 第35-36页 |
| 2.3.4 基于时间序列的能量谱特征提取算法 | 第36页 |
| 2.4 分类识别 | 第36-42页 |
| 2.4.1 最近邻分类 | 第36-37页 |
| 2.4.2 贝叶斯分类 | 第37-38页 |
| 2.4.3 支持向量机分类 | 第38-40页 |
| 2.4.4 随机决策树分类 | 第40-42页 |
| 2.5 贝叶斯网络 | 第42-44页 |
| 2.6 本章小结 | 第44-45页 |
| 第三章 系统设计与开发 | 第45-58页 |
| 3.1 系统需求分析 | 第45页 |
| 3.2 系统可行性分析 | 第45-47页 |
| 3.3 系统设计 | 第47-50页 |
| 3.4 系统开发 | 第50-57页 |
| 3.4.1 相关技术介绍 | 第50-52页 |
| 3.4.2 系统实现 | 第52-57页 |
| 3.5 本章小结 | 第57-58页 |
| 第四章 肝硬化智能检测及其新参量成像 | 第58-74页 |
| 4.1 数据采集 | 第58页 |
| 4.2 特征提取 | 第58-64页 |
| 4.2.1 基于超声频谱分析的弹性参量特征分析 | 第58-61页 |
| 4.2.2 纹理特征参量分析 | 第61-63页 |
| 4.2.3 基于时间序列的小波包分解子频带能量谱特征分析 | 第63-64页 |
| 4.3 分类识别结果分析 | 第64-67页 |
| 4.4 弹性单参量灰度图显示及其分析 | 第67-69页 |
| 4.5 基于贝叶斯网络建模分析的后验概率伪彩成像及其分析 | 第69-73页 |
| 4.6 本章小结 | 第73-74页 |
| 总结与展望 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-83页 |
| 致谢 | 第83-84页 |
| 附表 | 第84页 |