| 摘要 | 第5-7页 |
| abstract | 第7-9页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究背景和选题依据 | 第13-14页 |
| 1.1.1 论文研究背景 | 第13-14页 |
| 1.1.2 论文选题依据 | 第14页 |
| 1.2 国内外研究现状 | 第14-21页 |
| 1.2.1 特征提取方法 | 第14-18页 |
| 1.2.2 特征提取应用 | 第18-21页 |
| 1.3 论文主要研究工作及创新点 | 第21-24页 |
| 1.3.1 论文主要工作 | 第21-22页 |
| 1.3.2 论文主要创新点 | 第22-24页 |
| 1.4 论文章节安排及数据来源 | 第24-25页 |
| 1.4.1 论文章节安排 | 第24页 |
| 1.4.2 论文数据来源 | 第24-25页 |
| 第二章 基于纹理特征与形态学特征融合的医学图像分类 | 第25-49页 |
| 2.1 研究背景及方案设计 | 第25-27页 |
| 2.2 纹理特征提取 | 第27-33页 |
| 2.2.1 灰度共生矩阵 | 第27-31页 |
| 2.2.2 Gabor滤波器 | 第31-33页 |
| 2.3 形态学特征提取 | 第33-38页 |
| 2.3.1 VBM特征提取 | 第33-36页 |
| 2.3.2 VBM统计分析 | 第36-38页 |
| 2.4 脑MRI图像分类实验 | 第38-48页 |
| 2.4.1 实验数据与参数设置 | 第38-40页 |
| 2.4.2 VBM特征提取与分析 | 第40-45页 |
| 2.4.3 实验结果与分析 | 第45-48页 |
| 2.5 本章小结 | 第48-49页 |
| 第三章 基于改进SVM-RFE的医学图像特征选择 | 第49-71页 |
| 3.1 研究背景及方案设计 | 第49-51页 |
| 3.2 特征优化方法 | 第51-58页 |
| 3.2.1 主成分分析 | 第52-54页 |
| 3.2.2 多核SVM | 第54-58页 |
| 3.3 二阶段特征选择方法 | 第58-62页 |
| 3.3.1 SVM-RFE | 第58-60页 |
| 3.3.2 改进的SVM-RFE | 第60-62页 |
| 3.4 脑MRI图像分类实验 | 第62-69页 |
| 3.4.1 实验数据与参数设置 | 第62-63页 |
| 3.4.2 特征子集寻优结果 | 第63-68页 |
| 3.4.3 实验结果与分析 | 第68-69页 |
| 3.5 本章小结 | 第69-71页 |
| 第四章 基于SIFT特征与三维灰度特征结合的医学图像匹配 | 第71-92页 |
| 4.1 研究背景及方案设计 | 第71-72页 |
| 4.2 图像匹配方法 | 第72-75页 |
| 4.2.1 图像匹配方法 | 第72-73页 |
| 4.2.2 特征点提取方法 | 第73-75页 |
| 4.3 改进的SIFT特征点匹配 | 第75-85页 |
| 4.3.1 特征点提取 | 第76-83页 |
| 4.3.2 匹配点对优化 | 第83-85页 |
| 4.4 脑CT图像点匹配实验 | 第85-91页 |
| 4.4.1 实验数据与参数设置 | 第85-87页 |
| 4.4.2 特征点提取算法对比实验 | 第87-89页 |
| 4.4.3 实验结果与分析 | 第89-91页 |
| 4.5 本章小结 | 第91-92页 |
| 第五章 基于深度神经网络的医学图像分割 | 第92-111页 |
| 5.1 研究背景及方案设计 | 第92-94页 |
| 5.2 编码器原理 | 第94-97页 |
| 5.2.1 自动编码器 | 第94-96页 |
| 5.2.2 降噪自动编码器 | 第96-97页 |
| 5.3 基于深度神经网络的图像分割 | 第97-101页 |
| 5.3.1 深度神经网络构建 | 第97-99页 |
| 5.3.2 分割结果优化 | 第99-101页 |
| 5.4 脑肿瘤图像分割实验 | 第101-110页 |
| 5.4.1 实验数据与参数设置 | 第101-105页 |
| 5.4.2 深度神经网络分类结果 | 第105-106页 |
| 5.4.3 脑肿瘤组织分割结果 | 第106-110页 |
| 5.5 本章小结 | 第110-111页 |
| 第六章 总结与展望 | 第111-115页 |
| 6.1 全文工作总结 | 第111-113页 |
| 6.2 后续工作展望 | 第113-115页 |
| 致谢 | 第115-116页 |
| 参考文献 | 第116-128页 |
| 攻读博士学位期间取得的成果 | 第128-129页 |