| 中文摘要 | 第8-12页 |
| 英文摘要 | 第12-15页 |
| 符号说明 | 第17-18页 |
| 前言 | 第18-22页 |
| 研究背景 | 第18-22页 |
| 资料与方法 | 第22-35页 |
| 一、研究对象和超声图像获取 | 第23页 |
| 二、图像预处理 | 第23-25页 |
| 三、纹理特征提取 | 第25-29页 |
| 四、特征值筛选 | 第29页 |
| 五、分类 | 第29-32页 |
| (一) 神经网络(Neural Net) | 第29页 |
| (二) 随机森林(Random Forest,RF) | 第29-30页 |
| (三) 支持向量机(Support Vector Machine,SVM) | 第30-31页 |
| (四) Boost算法 | 第31页 |
| (五) 决策树(Decision Trees) | 第31-32页 |
| (六) Logistic判别分析(Logistic Discriminant Analysis) | 第32页 |
| 六、分类效果评价 | 第32-35页 |
| 七、技术路线 | 第35页 |
| 结果与分析 | 第35-45页 |
| 一、特征值筛选 | 第35-36页 |
| 二、六种模型10折交叉验证后结果 | 第36-37页 |
| 三、Logistic模型总体10折交叉验证后的预测结果和ROC曲线 | 第37-41页 |
| 四、决策树模型10折验证详细预测结果 | 第41页 |
| 五、随机森林模型10折验证详细预测结果 | 第41-42页 |
| 六、Boost模型10折验证详细预测结果 | 第42-43页 |
| 七、支持向量机模型10折验证详细预测结果 | 第43-44页 |
| 八、神经网络模型10折验证详细预测结果 | 第44-45页 |
| 讨论 | 第45-46页 |
| 结论 | 第46-47页 |
| 创新与不足 | 第47-48页 |
| 附录 | 第48-67页 |
| 附录1 | 第48页 |
| 附录2 | 第48-55页 |
| 附录3 | 第55-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-74页 |
| 攻读学位期间发表的学术论文 | 第74-75页 |
| 附件 | 第75页 |
