中文摘要 | 第3-6页 |
Abstract | 第6-8页 |
第1章 绪论 | 第17-32页 |
1.1 课题研究背景与选题来源 | 第17-19页 |
1.2 基于乳腺钼靶X线图像的计算机辅助诊断系统 | 第19-22页 |
1.3 乳腺X线病灶检测研究现状 | 第22-25页 |
1.3.1 钙化点簇检测研究现状 | 第23-24页 |
1.3.2 肿块分割现状 | 第24-25页 |
1.4 数据库收集整理 | 第25-29页 |
1.4.1 MIAS数据库 | 第25-26页 |
1.4.2 DDSM数据库 | 第26页 |
1.4.3 JSMIT数据库 | 第26-27页 |
1.4.4 INbreast数据库 | 第27页 |
1.4.5 DWBCD乳腺癌特征库 | 第27-28页 |
1.4.6 收集的其他数据样本 | 第28页 |
1.4.7 数据库总结 | 第28-29页 |
1.5 论文主要工作和创新点 | 第29-31页 |
1.6 论文章节安排 | 第31-32页 |
第2章 算法理论支撑及病灶特性解析 | 第32-48页 |
2.1 图像处理相关理论 | 第32-37页 |
2.1.1 图像直方图 | 第32-33页 |
2.1.2 形态学理论 | 第33-34页 |
2.1.3 区域生长算法 | 第34-36页 |
2.1.4 PCNN原型 | 第36-37页 |
2.2 乳腺钼靶X线图像预处理 | 第37-42页 |
2.2.1 乳腺区域提取 | 第37-39页 |
2.2.2 病灶增强 | 第39-42页 |
2.3 乳腺钼靶X线病灶特性分析 | 第42-47页 |
2.3.1 钙化点特性分析 | 第42-45页 |
2.3.2 肿块特性分析 | 第45-47页 |
2.4 本章小结 | 第47-48页 |
第3章 基于轮廓波变换和无耦合链接SPCNN的MCs检测 | 第48-71页 |
3.1 轮廓波变换相关理论概述 | 第49-54页 |
3.1.1 从小波分析到多尺度几何分析 | 第49-50页 |
3.1.2 轮廓波变换 | 第50-54页 |
3.2 基于Contourlet变换与无耦合链接SPCNN的钙化点检测 | 第54-59页 |
3.2.1 图像预处理 | 第55-56页 |
3.2.2 可疑钙化点提取 | 第56-57页 |
3.2.3 钙化点检测 | 第57-59页 |
3.2.4 钙化点簇提取 | 第59页 |
3.3 实验结果讨论分析 | 第59-70页 |
3.3.1 实验设置 | 第59页 |
3.3.2 评价指标 | 第59-62页 |
3.3.3 结果讨论和分析 | 第62-69页 |
3.3.4 实验验证 | 第69-70页 |
3.4 本章小结 | 第70-71页 |
第4章 基于改进CV模型的肿块分割算法 | 第71-93页 |
4.1 相关理论准备 | 第71-78页 |
4.1.1 水平集原理 | 第71-74页 |
4.1.2 活动轮廓模型 | 第74-78页 |
4.2 基于偏移场和局部灰度统计特性的改进CV模型 | 第78-85页 |
4.2.1 SCM获取初始轮廓 | 第78页 |
4.2.2 变分水平集的引入 | 第78-80页 |
4.2.3 偏置场理论 | 第80-83页 |
4.2.4 局部区域可伸缩外力 | 第83-85页 |
4.3 实验与分析 | 第85-92页 |
4.3.1 评价指标 | 第85页 |
4.3.2 实验结果和分析 | 第85-92页 |
4.3.3 算法验证 | 第92页 |
4.4 本章小结 | 第92-93页 |
第5章 基于人眼视觉显著性的肿块分割模型 | 第93-113页 |
5.1 人眼视觉显著性理论概述 | 第93-99页 |
5.1.1 人眼视觉显著性研究综述 | 第93-95页 |
5.1.2 经典Itti模型 | 第95-99页 |
5.2 基于显著性理论的乳腺X线肿块分割 | 第99-104页 |
5.2.1 显著性图谱计算 | 第99-102页 |
5.2.2 SM-ISPCNN模型 | 第102-104页 |
5.2.3 乳腺X线肿块检测 | 第104页 |
5.3 实验设置和结果分析 | 第104-112页 |
5.3.1 实验参数设置 | 第105页 |
5.3.2 评价指标 | 第105-106页 |
5.3.3 实验结果分析及讨论 | 第106-111页 |
5.3.4 临床验证 | 第111-112页 |
5.4 本章小结 | 第112-113页 |
第6章 基于改进U-Net的肿块分割模型 | 第113-132页 |
6.1 引言 | 第113页 |
6.2 相关理论概述 | 第113-120页 |
6.2.1 卷积神经网络 | 第114-117页 |
6.2.2 全卷积网络 | 第117-118页 |
6.2.3 U-Net网络 | 第118-120页 |
6.3 残差U型网络 | 第120-125页 |
6.3.1 残差网络理论 | 第120-122页 |
6.3.2 残差U型网络 | 第122-124页 |
6.3.3 基于残差U-Net的肿块分割算法实现 | 第124-125页 |
6.4 实验结果分析和讨论 | 第125-130页 |
6.4.1 实验设置 | 第125-126页 |
6.4.2 图像预处理 | 第126-127页 |
6.4.3 损失函数 | 第127页 |
6.4.4 实验结果讨论和分析 | 第127-130页 |
6.5 本章小结 | 第130-132页 |
第7章 总结与展望 | 第132-134页 |
参考文献 | 第134-146页 |
在学期间的研究成果 | 第146-149页 |
致谢 | 第149页 |