基于CT血管造影图像的脑出血预测模型研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 对非脑出血者的脑出血风险预测 | 第10页 |
| 1.2.2 脑出血后脑血肿扩大的预测 | 第10-11页 |
| 1.3 本文研究内容及创新点 | 第11-12页 |
| 1.4 论文的组织结构 | 第12-13页 |
| 第2章 相关研究方法 | 第13-25页 |
| 2.1 样本量计算 | 第13-15页 |
| 2.1.1 样本含量影响因素 | 第13页 |
| 2.1.2 统计学上的基本概念 | 第13-14页 |
| 2.1.3 样本量计算 | 第14-15页 |
| 2.2 统计学检验 | 第15-18页 |
| 2.2.1 T检验 | 第15-16页 |
| 2.2.2 F检验 | 第16-17页 |
| 2.2.3 秩和检验 | 第17-18页 |
| 2.3 集成学习算法 | 第18-24页 |
| 2.3.1 集成学习简介 | 第19页 |
| 2.3.2 集成学习基本概念 | 第19-20页 |
| 2.3.3 集成学习主要算法介绍 | 第20-21页 |
| 2.3.4 集成学习的不足及发展方向 | 第21-22页 |
| 2.3.5 基分类器介绍 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 混合集成学习模型 | 第25-33页 |
| 3.1 混合集成学习概述 | 第25页 |
| 3.2 基分类器同态集成 | 第25-27页 |
| 3.3 基分类器混合集成 | 第27-30页 |
| 3.4 模型分析 | 第30-31页 |
| 3.5 本章小结 | 第31-33页 |
| 第4章 脑出血预测模型 | 第33-43页 |
| 4.1 样本量计算 | 第34-35页 |
| 4.2 数据收集与处理 | 第35-37页 |
| 4.3 统计检验选择特征 | 第37-38页 |
| 4.4 分类预测 | 第38-41页 |
| 4.4.1 改进的交叉验证方式 | 第39页 |
| 4.4.2 分类器度量指标 | 第39-41页 |
| 4.5 本章小结 | 第41-43页 |
| 第5章 实验结果与分析 | 第43-49页 |
| 5.1 实验相关设置 | 第43页 |
| 5.2 样本量计算结果 | 第43-44页 |
| 5.3 候选特征统计检验结果 | 第44-45页 |
| 5.4 分类预测及算法对比 | 第45-47页 |
| 5.5 本章小结 | 第47-49页 |
| 第6章 总结与展望 | 第49-53页 |
| 6.1 论文工作总结 | 第49-50页 |
| 6.2 讨论与展望 | 第50-53页 |
| 参考文献 | 第53-57页 |
| 附录 | 第57-59页 |
| 致谢 | 第59-61页 |
| 在学期间所发表的论文 | 第61页 |
