| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究背景与意义 | 第9-10页 |
| 1.3 HCC的MRI病理诊断概述 | 第10-14页 |
| 1.3.1 HCC病理分级 | 第10-12页 |
| 1.3.2 HCC的MRI影像诊断 | 第12-14页 |
| 1.4 医学影像CAD技术的国内外研究现状 | 第14-17页 |
| 1.5 本文主要研究内容和结构安排 | 第17-19页 |
| 1.5.1 本文主要研究内容 | 第17-18页 |
| 1.5.2 本文组织结构 | 第18-19页 |
| 第2章 HCC恶性程度CAD框架设计及相关技术原理 | 第19-30页 |
| 2.1 HCC恶性程度CAD框架设计 | 第19-20页 |
| 2.2 ROI分割 | 第20-21页 |
| 2.3 特征提取 | 第21-26页 |
| 2.3.1 一阶统计特征 | 第21-22页 |
| 2.3.2 灰度共生矩阵 | 第22-23页 |
| 2.3.3 灰度游程矩阵 | 第23-24页 |
| 2.3.4 Haar小波特征 | 第24-25页 |
| 2.3.5 LBP特征 | 第25-26页 |
| 2.4 常用分类器 | 第26-27页 |
| 2.5 性能评估 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 MRI图像特征在HCC中的诊断价值分析 | 第30-44页 |
| 3.1 实验数据 | 第30-33页 |
| 3.1.1 HCC病例资料 | 第30-31页 |
| 3.1.2 动脉期MRI增强影像 | 第31-33页 |
| 3.2 基于图像特征的HCC恶性程度统计分析 | 第33-37页 |
| 3.2.1 特征提取 | 第33页 |
| 3.2.2 基于单因素方差法的统计分析 | 第33-36页 |
| 3.2.3 基于ROC曲线的统计分析 | 第36-37页 |
| 3.3 实验结果与分析 | 第37-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 基于多分类器融合算法的HCC恶性程度诊断 | 第44-61页 |
| 4.1 实验数据 | 第45-47页 |
| 4.1.1 HCC病例资料 | 第45-46页 |
| 4.1.2 多序列MRI增强影像 | 第46-47页 |
| 4.2 基于分层策略的自适应加权多分类器融合算法 | 第47-51页 |
| 4.2.1 提取多层特征 | 第47-48页 |
| 4.2.2 选择单层分类器 | 第48-49页 |
| 4.2.3 自适应加权多分类器融合算法 | 第49-51页 |
| 4.3 实验结果与分析 | 第51-60页 |
| 4.3.1 单层分类器的选择 | 第52-54页 |
| 4.3.2 近邻参数值k的选取 | 第54-55页 |
| 4.3.3 HCC恶性程度等级CAD实现 | 第55-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61-62页 |
| 5.2 前景展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 攻读硕士学位期间发表的学术论文 | 第68页 |