基于子空间学习和支持向量机的微钙化簇检测
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第一章 绪论 | 第7-15页 |
| ·研究背景及意义 | 第7-8页 |
| ·国内外研究现状 | 第8-12页 |
| ·计算机辅助检测研究现状 | 第8-9页 |
| ·微钙化点检测研究现状 | 第9-11页 |
| ·微钙化点检测的发展趋势 | 第11-12页 |
| ·实验数据库以及算法性能评价标准 | 第12-14页 |
| ·DDSM 数据库 | 第12-13页 |
| ·性能评价标准 | 第13-14页 |
| ·本文的研究成果与章节按排 | 第14-15页 |
| 第二章 乳腺图像中感兴趣区域的提取 | 第15-27页 |
| ·引言 | 第15页 |
| ·独立分量分析 | 第15-18页 |
| ·支持向量机 | 第18-21页 |
| ·基于独立分量分析和SVM 的乳腺感兴趣区域提取 | 第21-24页 |
| ·样本特征提取 | 第21-22页 |
| ·分类器的训练 | 第22-24页 |
| ·实验结果及分析 | 第24页 |
| ·小结 | 第24-27页 |
| 第三章 基于子空间学习和支持向量的微钙化簇检测 | 第27-41页 |
| ·引言 | 第27页 |
| ·几种常见的子空间学习方法 | 第27-33页 |
| ·线性判别分析 | 第28-29页 |
| ·主成分分析法 | 第29-30页 |
| ·核主成分分析 | 第30-32页 |
| ·局部保持投影 | 第32-33页 |
| ·基于子空间学习和支持向量机的微钙化簇检测 | 第33-38页 |
| ·乳腺图像的预处理 | 第34-35页 |
| ·样本的生成及SVM 的训练 | 第35-37页 |
| ·如何处理正类和负类训练样本个数的不均衡 | 第37页 |
| ·子空间特征提取 | 第37-38页 |
| ·实验结果及分析 | 第38-39页 |
| ·小结 | 第39-41页 |
| 第四章 基于选择性支持向量机集成的微钙化簇检测 | 第41-53页 |
| ·引言 | 第41页 |
| ·集成学习 | 第41-44页 |
| ·集成学习的思想 | 第41-43页 |
| ·集成层次的选择 | 第43-44页 |
| ·基于选择性支持向量机集成的微钙化簇检测 | 第44-48页 |
| ·支持向量机集成 | 第44-46页 |
| ·选择性集成 | 第46-47页 |
| ·算法实现 | 第47-48页 |
| ·实验结果及分析 | 第48-51页 |
| ·实验数据与参数设置 | 第48-49页 |
| ·实验结果及分析 | 第49-51页 |
| ·小结 | 第51-53页 |
| 第五章 总结与展望 | 第53-55页 |
| ·总结 | 第53-54页 |
| ·对未来工作的展望 | 第54-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-62页 |
