| 缩略语表 | 第6-7页 |
| 中文摘要 | 第7-9页 |
| 英文摘要 | 第9-10页 |
| 前言 | 第12-14页 |
| 文献回顾 | 第14-23页 |
| 1. 乳腺肿瘤及其影像检查技术 | 第14-15页 |
| 2. 超声波乳腺肿瘤图像特征 | 第15-17页 |
| 3. 基于超声影像的计算机辅助乳腺肿瘤诊断 | 第17-18页 |
| 4. 常用优化算法简介及特点 | 第18-23页 |
| 第一部分 基于蜂群优化的的乳腺肿瘤图像识别 | 第23-43页 |
| 概述 | 第23页 |
| 1 乳腺图像预处理 | 第23-25页 |
| 1.1 各向异性扩散滤波 | 第23-24页 |
| 1.2 基于水平集的图像分割 | 第24-25页 |
| 2 乳腺超声波图像特征提取 | 第25-27页 |
| 2.1 纹理特征 | 第25-26页 |
| 2.2 几何特征 | 第26-27页 |
| 3 支持向量机(Support Vector Machine; SVM) | 第27-31页 |
| 3.1 SVM简介 | 第27-28页 |
| 3.2 超平面 | 第28-30页 |
| 3.3 决策函数 | 第30-31页 |
| 4 基于人工蜂群优化的乳腺肿瘤图像识别 | 第31-36页 |
| 4.1 蜜蜂找蜜原理 | 第31-33页 |
| 4.2 人工蜂群算法 | 第33-34页 |
| 4.3 人工蜂群优化SVM参数及特征筛选方法 | 第34-35页 |
| 4.4 基于人工蜂群优化的乳腺肿瘤图像识别 | 第35-36页 |
| 5 实验及结果分析 | 第36-43页 |
| 5.1 实验数据与初始参数设定 | 第36-37页 |
| 5.2 实验结果 | 第37-43页 |
| 第二部分 基于人工免疫优化的乳腺肿瘤图像识别 | 第43-55页 |
| 1 人工免疫算法 | 第43-46页 |
| 1.1 生物免疫系统 | 第43-44页 |
| 1.2 免疫系统操作机制 | 第44-45页 |
| 1.3 人工免疫算法 | 第45-46页 |
| 2 基于人工免疫算法的乳腺肿瘤图像识别 | 第46-51页 |
| 2.1 人工免疫算法框架与流程 | 第46-47页 |
| 2.2 图像预处理 | 第47-48页 |
| 2.3 肿瘤特征的提取与计算 | 第48页 |
| 2.4 肿瘤特征筛选 | 第48-49页 |
| 2.5 人工免疫算法结合支持向量机 | 第49-51页 |
| 3 实验 | 第51-55页 |
| 3.1 实验数据 | 第51页 |
| 3.2 实验参数设置及结果 | 第51-53页 |
| 3.3 人工免疫与人工蜂群算法比较 | 第53-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 个人简历和研究成果 | 第62-63页 |
| 致谢 | 第63页 |