| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第16-28页 |
| 1.1 引言 | 第16-17页 |
| 1.2 医学图像处理问题 | 第17-19页 |
| 1.2.1 医学图像分割 | 第17-18页 |
| 1.2.2 医学图像配准 | 第18页 |
| 1.2.3 医学图像识别与分类 | 第18-19页 |
| 1.3 医学图像处理中的机器学习技术 | 第19-20页 |
| 1.3.1 代价敏感学习 | 第19-20页 |
| 1.3.2 半监督学习 | 第20页 |
| 1.3.3 多视图学习 | 第20页 |
| 1.4 肺癌病理细胞图像识别 | 第20-23页 |
| 1.4.1 基于细胞层的方法 | 第20-21页 |
| 1.4.2 基于图像层的方法 | 第21-22页 |
| 1.4.3 其他相关方法 | 第22-23页 |
| 1.4.4 有待解决问题 | 第23页 |
| 1.5 前列腺CT图像分割 | 第23-26页 |
| 1.5.1 基于图像配准的方法 | 第24页 |
| 1.5.2 基于变形模型的方法 | 第24页 |
| 1.5.3 基于机器学习的方法 | 第24-25页 |
| 1.5.4 有待解决问题 | 第25-26页 |
| 1.6 本文工作 | 第26-27页 |
| 1.7 本文组织 | 第27-28页 |
| 第二章 直推式代价敏感肺癌图像分类 | 第28-48页 |
| 2.1 引言 | 第28-31页 |
| 2.2 mCLRLS | 第31-37页 |
| 2.2.1 框架 | 第31-32页 |
| 2.2.2 标记 | 第32-33页 |
| 2.2.3 码本学习 | 第33-34页 |
| 2.2.4 mCLRLS | 第34-37页 |
| 2.3 实验结果与分析 | 第37-45页 |
| 2.3.1 实验设置 | 第38-39页 |
| 2.3.2 肺癌/正常图像分类 | 第39-40页 |
| 2.3.3 癌症类型分类 | 第40-44页 |
| 2.3.4 则化项权重参数的分析 | 第44-45页 |
| 2.4 本章小结 | 第45-48页 |
| 第三章 基于多模态稀疏表示分类器的肺癌图像识别 | 第48-67页 |
| 3.1 引言 | 第48-49页 |
| 3.1.1 相关工作 | 第48-49页 |
| 3.1.2 稀疏表示分类器 | 第49页 |
| 3.2 提出方法框架 | 第49-51页 |
| 3.3 数据获取 | 第51页 |
| 3.4 问题分析：多模态稀疏表示分类器(mSRC) | 第51-53页 |
| 3.5 训练：基于遗传算法的多模态字典学习 | 第53-57页 |
| 3.5.1 最小支持度验证 | 第55页 |
| 3.5.2 适应度函数 | 第55页 |
| 3.5.3 初始化 | 第55-56页 |
| 3.5.4 交叉 | 第56页 |
| 3.5.5 变异 | 第56-57页 |
| 3.6 测试：基于层次融合策略的图像类标预测 | 第57-58页 |
| 3.6.1 细胞层类标融合 | 第57-58页 |
| 3.6.2 图像层类标融合 | 第58页 |
| 3.7 实验分析和讨论 | 第58-66页 |
| 3.7.1 实验设置 | 第58-60页 |
| 3.7.2 多模态字典学习的衡量 | 第60-63页 |
| 3.7.3 差异性在字典学习中的作用分析 | 第63页 |
| 3.7.4 与相关方法的对比 | 第63-66页 |
| 3.8 本章小结 | 第66-67页 |
| 第四章 面向CT放疗环境下的交互式前列腺分割 | 第67-94页 |
| 4.1 引言 | 第67-69页 |
| 4.2 问题分析 | 第69-72页 |
| 4.2.1 方法框架 | 第70-71页 |
| 4.2.2 本章工作主要贡献 | 第71-72页 |
| 4.3 符号标记 | 第72-73页 |
| 4.4 图像预处理 | 第73-76页 |
| 4.4.1 图像配准 | 第73页 |
| 4.4.2 基于IPRE的感兴趣区域提取 | 第73-75页 |
| 4.4.3 交互式标注 | 第75-76页 |
| 4.5 图像分割 | 第76-82页 |
| 4.5.1 特征提取 | 第76页 |
| 4.5.2 特征选择:tLasso | 第76-78页 |
| 4.5.3 前列腺似然率估计:wLapRLS | 第78-80页 |
| 4.5.4 分割结果生成 | 第80-82页 |
| 4.6 实验结果 | 第82-91页 |
| 4.6.1 数据集以及实验设置 | 第82页 |
| 4.6.2 针对IPRE的衡量和分析 | 第82-83页 |
| 4.6.3 针对tLasso的衡量和分析 | 第83-86页 |
| 4.6.4 针对wLapRLS的衡量和分析 | 第86-88页 |
| 4.6.5 与相关方法的比较 | 第88-91页 |
| 4.6.6 针对大幅度前列腺移动的分割效果 | 第91页 |
| 4.7 本章小结 | 第91-94页 |
| 第五章 基于直推式空间约束特征选择的CT前列腺图像分割 | 第94-108页 |
| 5.1 问题分析 | 第94-96页 |
| 5.1.1 提出方法框架 | 第95-96页 |
| 5.2 符号标记以及图像预处理 | 第96-97页 |
| 5.2.1 符号标记 | 第96页 |
| 5.2.2 图像预处理 | 第96-97页 |
| 5.3 基于SCOTO的前列腺似然率估计 | 第97-100页 |
| 5.3.1 SCOTO：问题建模 | 第97-98页 |
| 5.3.2 目标函数优化 | 第98-100页 |
| 5.4 基于多图集的类标融合 | 第100页 |
| 5.5 实验分析和讨论 | 第100-106页 |
| 5.5.1 数据集以及实验设置 | 第100-101页 |
| 5.5.2 参数选择 | 第101页 |
| 5.5.3 衡量SCOTO | 第101-102页 |
| 5.5.4 与相关工作的对比 | 第102-106页 |
| 5.5.5 针对具有大幅度前列腺移动病人的分割 | 第106页 |
| 5.6 本章小结 | 第106-108页 |
| 第六章 总结与展望 | 第108-111页 |
| 6.1 总结 | 第108-109页 |
| 6.2 展望 | 第109-111页 |
| 参考文献 | 第111-123页 |
| 简历与科研成果 | 第123-126页 |
| 致谢 | 第126-128页 |