摘要 | 第5-7页 |
Abstract | 第7-9页 |
第一章 绪论 | 第13-35页 |
1.1 背景与意义 | 第13-16页 |
1.2 计算机辅助诊断关键技术的研究现状 | 第16-27页 |
1.2.1 计算机辅助诊断的发展历程 | 第16-18页 |
1.2.2 肺结节分割算法的研究现状 | 第18-25页 |
1.2.3 肺结节良恶性分类算法的研究现状 | 第25-27页 |
1.3 算法的评价指标体系 | 第27-29页 |
1.3.1 分割算法的评价指标体系 | 第27-28页 |
1.3.2 分类算法的评价指标体系 | 第28-29页 |
1.4 课题研究中存在的问题 | 第29-30页 |
1.5 课题研究的内容和贡献 | 第30-33页 |
1.5.1 课题研究的内容 | 第30-31页 |
1.5.2 课题研究的贡献 | 第31-33页 |
1.6 论文结构和章节安排 | 第33-35页 |
第二章 基于改进的随机游走GGO肺结节分割算法 | 第35-55页 |
2.1 引言 | 第35页 |
2.2 算法框架 | 第35-37页 |
2.3 CT图像预处理 | 第37-41页 |
2.4 种子点的自动选取 | 第41-43页 |
2.5 8-邻域加权函数的构造 | 第43-46页 |
2.6 能量函数的定义与优化 | 第46-47页 |
2.7 实验结果与分析 | 第47-53页 |
2.7.1 LIDC数据库 | 第48-49页 |
2.7.2 参数估计 | 第49-50页 |
2.7.3 分割结果的定性分析与对比 | 第50-51页 |
2.7.4 分割结果的定量分析与对比 | 第51-53页 |
2.8 本章小节 | 第53-55页 |
第三章 基于稀疏表示和随机游走GGO肺结节分割算法 | 第55-77页 |
3.1 引言 | 第55页 |
3.2 SRRW算法框架 | 第55-56页 |
3.3 CT图像预处理 | 第56-58页 |
3.4 种子点的自动选取 | 第58-59页 |
3.5 SRRW算法加权函数的构造 | 第59-65页 |
3.5.1 8-邻域加权函数的构造 | 第60-62页 |
3.5.2 稀疏k-NN加权函数的构造 | 第62-65页 |
3.6 SRRW算法能量函数的定义 | 第65-66页 |
3.7 实验结果与分析 | 第66-75页 |
3.7.1 参数估计 | 第66-68页 |
3.7.2 分割结果的定性分析与对比 | 第68-72页 |
3.7.3 分割结果的定量分析与对比 | 第72-73页 |
3.7.4 分割算法的比较与讨论 | 第73-75页 |
3.8 本章小节 | 第75-77页 |
第四章 基于放射影像组学和随机森林肺结节良恶性分类算法 | 第77-109页 |
4.1 引言 | 第77页 |
4.2 算法框架 | 第77-78页 |
4.3 肺结节临床表征特征提取 | 第78-81页 |
4.4 肺结节影像学特征提取 | 第81-96页 |
4.4.1 肺结节的灰度特征 | 第81-85页 |
4.4.2 肺结节的纹理特征 | 第85-93页 |
4.4.3 肺结节的几何形态特征 | 第93-96页 |
4.5 随机森林预测模型的构建 | 第96-99页 |
4.6 实验结果与分析 | 第99-108页 |
4.6.1 参数估计 | 第99-100页 |
4.6.2 分类结果的分析与对比 | 第100-105页 |
4.6.3 分类算法的比较与讨论 | 第105-108页 |
4.7 本章小节 | 第108-109页 |
第五章 基于迭代的标签传播肺结节良恶性分类算法 | 第109-121页 |
5.1 引言 | 第109页 |
5.2 算法框架 | 第109-111页 |
5.3 k-NN图的构造 | 第111-112页 |
5.4 代价函数的定义 | 第112-115页 |
5.5 实验结果与分析 | 第115-119页 |
5.5.1 分类结果的分析与对比 | 第115-118页 |
5.5.2 分类算法的比较与讨论 | 第118-119页 |
5.6 本章小节 | 第119-121页 |
结论与展望 | 第121-123页 |
参考文献 | 第123-136页 |
攻读博士学位期间取得的研究成果 | 第136-137页 |
致谢 | 第137-138页 |
附件 | 第138页 |