| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第一章 绪论 | 第12-26页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-23页 |
| 1.2.1 计算机辅助检测(CAD)系统 | 第14-16页 |
| 1.2.2 肺结节CAD关键技术研究现状 | 第16-22页 |
| 1.2.3 面临的难点和待解决的问题 | 第22-23页 |
| 1.3 本文研究内容与章节安排 | 第23-26页 |
| 1.3.1 主要研究内容 | 第23页 |
| 1.3.2 本文章节安排 | 第23-26页 |
| 第二章 CT理论及CAD系统 | 第26-42页 |
| 2.1 CT技术 | 第26-29页 |
| 2.1.1 CT成像原理 | 第26-27页 |
| 2.1.2 CT切面 | 第27-28页 |
| 2.1.3 CT值 | 第28-29页 |
| 2.1.4 DICOM格式文件标准 | 第29页 |
| 2.2 肺部CT图像与肺结节检测 | 第29-32页 |
| 2.2.1 肺部CT图像的解剖结构 | 第29-31页 |
| 2.2.2 肺结节的CT影像征象 | 第31页 |
| 2.2.3 CT在肺癌检测中的作用 | 第31-32页 |
| 2.3 基于CT图像的肺结节CAD系统 | 第32-38页 |
| 2.3.1 系统基本结构 | 第32-37页 |
| 2.3.2 系统评估方法 | 第37-38页 |
| 2.4 数据来源 | 第38-40页 |
| 2.5 本章小结 | 第40-42页 |
| 第三章 基于流形学习的肺结节特征降维方法研究 | 第42-64页 |
| 3.1 概述 | 第42-43页 |
| 3.2 基于流形学习的降维方法 | 第43-47页 |
| 3.2.1 流形学习理论 | 第43页 |
| 3.2.2 无监督算法 | 第43-46页 |
| 3.2.3 有监督算法 | 第46-47页 |
| 3.3 一种改进的SLLE算法(SC~2SLLE)研究 | 第47-53页 |
| 3.3.1 SC~2SLLE算法的提出 | 第47-48页 |
| 3.3.2 SC~2SLLE算法步骤 | 第48-53页 |
| 3.4 实验及结果分析 | 第53-63页 |
| 3.4.1 实验设计 | 第53-55页 |
| 3.4.2 ROI分割和特征提取 | 第55-60页 |
| 3.4.3 特征降维和分类 | 第60-61页 |
| 3.4.4 实验结果与对比分析 | 第61-63页 |
| 3.5 本章小结 | 第63-64页 |
| 第四章 基于字典学习和稀疏表达的肺结节特征提取 | 第64-85页 |
| 4.1 问题的提出 | 第64页 |
| 4.2 稀疏表达与字典学习描述 | 第64-71页 |
| 4.2.1 稀疏表达模型 | 第65-66页 |
| 4.2.2 字典学习模型 | 第66-68页 |
| 4.2.3 一种基于分类的字典学习模型 | 第68-71页 |
| 4.3 一种基于字典学习和稀疏表达的特征提取方法研究 | 第71-76页 |
| 4.3.1 特征提取方法设计 | 第71-73页 |
| 4.3.2 基于字典学习和稀疏表达的特征提取 | 第73-76页 |
| 4.4 实验及结果分析 | 第76-84页 |
| 4.4.1 预处理 | 第77-78页 |
| 4.4.2 特征提取 | 第78-79页 |
| 4.4.3 特征降维和分类 | 第79-80页 |
| 4.4.4 实验结果与对比分析 | 第80-84页 |
| 4.5 本章小结 | 第84-85页 |
| 第五章 改进的RVM在肺结节检测中的研究 | 第85-105页 |
| 5.1 问题的提出 | 第85-86页 |
| 5.2 RVM及其多核模型的实现 | 第86-90页 |
| 5.2.1 RVM算法模型 | 第86-87页 |
| 5.2.2 核函数 | 第87-88页 |
| 5.2.3 多核学习RVM模型 | 第88-89页 |
| 5.2.4 多核校正 | 第89-90页 |
| 5.3 基于PSO算法的RVM设计 | 第90-94页 |
| 5.3.1 PSO算法原理 | 第90-92页 |
| 5.3.2 PSO-RVM算法步骤 | 第92-94页 |
| 5.4 基于PSO和SOCP的多核学习RVM分类方法研究 | 第94-98页 |
| 5.4.1 SOCP算法原理 | 第94-95页 |
| 5.4.2 一种改进的PSO-SOCP-MKLRVM方法 | 第95-98页 |
| 5.5 实验与结果分析 | 第98-104页 |
| 5.5.1 实验方案设计 | 第98-99页 |
| 5.5.2 核函数选择 | 第99页 |
| 5.5.3 实验结果 | 第99-103页 |
| 5.5.4 讨论与分析 | 第103-104页 |
| 5.6 本章小结 | 第104-105页 |
| 第六章 结论与展望 | 第105-109页 |
| 6.1 结论 | 第105-106页 |
| 6.2 创新点 | 第106-107页 |
| 6.3 展望 | 第107-109页 |
| 参考文献 | 第109-121页 |
| 攻读博士学位期间所取得的相关科研成果 | 第121-123页 |
| 致谢 | 第123页 |
