基于影像组学的非小细胞肺癌EGFR基因突变预测模型
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 课题意义 | 第15-16页 |
| 1.4 肺癌的医学图像处理过程 | 第16-17页 |
| 1.5 本文主要内容 | 第17-19页 |
| 1.6 本章小结 | 第19-20页 |
| 第2章 肺肿瘤CT图像的处理 | 第20-32页 |
| 2.1 医学CT图像概述 | 第20-23页 |
| 2.2 肺癌的特征类型 | 第23-24页 |
| 2.3 医学图像分割算法 | 第24-28页 |
| 2.3.1 基于区域的分割 | 第25-26页 |
| 2.3.2 基于边缘检测分割 | 第26-28页 |
| 2.4 临床数据分析及肺癌区域提取 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 肺癌特征值提取 | 第32-42页 |
| 3.1 关于肺癌诊断准则和EGFR突变检测方法 | 第32-34页 |
| 3.1.1 肺癌诊断准则 | 第32-33页 |
| 3.1.2 EGFR突变检测方法 | 第33-34页 |
| 3.2 特征提取 | 第34-40页 |
| 3.2.1 纹理特征基础理论 | 第34-35页 |
| 3.2.2 Haralick纹理特征计算方法 | 第35-38页 |
| 3.2.3 LBP纹理特征计算方法 | 第38-40页 |
| 3.3 特征提取结果 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于多种分类器的肺癌特征分类 | 第42-62页 |
| 4.1 SVM概述 | 第42-46页 |
| 4.2 BP神经网络概述 | 第46-50页 |
| 4.3 极限学习机概述 | 第50-54页 |
| 4.4 实验方案设计 | 第54-55页 |
| 4.4.1 实验数据 | 第54页 |
| 4.4.2 实验步骤 | 第54-55页 |
| 4.5 实验结果分析与比较 | 第55-60页 |
| 4.5.1 实验评价标准 | 第55页 |
| 4.5.2 实验结果分析与比较 | 第55-60页 |
| 4.6 本章小结 | 第60-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
