| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第1章 绪论 | 第11-24页 |
| ·课题研究背景及意义 | 第11-13页 |
| ·国内外研究现状 | 第13-22页 |
| ·超声图像的分类方法概述 | 第13-15页 |
| ·弹性超声图像的评价及分类方法概述 | 第15-16页 |
| ·多示例学习方法概述 | 第16-22页 |
| ·课题来源及主要研究内容 | 第22-24页 |
| ·课题来源 | 第22页 |
| ·主要研究内容及文章结构 | 第22-24页 |
| 第2章 基于局部加权Citation-kNN的超声图像分类 | 第24-52页 |
| ·引言 | 第24-25页 |
| ·kNN和Citation-kNN算法 | 第25-30页 |
| ·kNN算法 | 第26-28页 |
| ·Citation-kNN算法 | 第28-30页 |
| ·局部加权学习（Locally Weighted Learning） | 第30-32页 |
| ·局部加权的Citation-kNN（LWCitation-kNN） | 第32-39页 |
| ·基于距离的加权方式 | 第34-36页 |
| ·基于离散度的加权方式 | 第36-38页 |
| ·综合加权方法 | 第38-39页 |
| ·实验结果与分析 | 第39-50页 |
| ·基于乳腺超声图像库的实验结果及分析 | 第40-48页 |
| ·基于MUSK数据集的实验结果 | 第48-50页 |
| ·本章小结 | 第50-52页 |
| 第3章 局部特征与多示例学习结合的超声图像分类 | 第52-74页 |
| ·引言 | 第52-53页 |
| ·基于局部特征的ROI定位 | 第53-56页 |
| ·局部特征与多示例学习结合的超声图像分类 | 第56-64页 |
| ·示例包的构建 | 第56-58页 |
| ·基于多示例学习的超声图像分类方法 | 第58-64页 |
| ·实验结果与分析 | 第64-72页 |
| ·与原有方法的比较 | 第65-69页 |
| ·与其他多示例方法的比较 | 第69-70页 |
| ·与局部加权Citation-kNN算法的比较 | 第70-72页 |
| ·本章小结 | 第72-74页 |
| 第4章 基于多示例学习的弹性超声图像分类 | 第74-113页 |
| ·前言 | 第74-75页 |
| ·弹性超声图像的弹性信息获取 | 第75-78页 |
| ·弹性图像的特征提取 | 第78-82页 |
| ·对应的B超图像特征提取 | 第82-84页 |
| ·弹性超声图像的分类 | 第84-85页 |
| ·实验结果与分析 | 第85-111页 |
| ·弹性图像特征与B超图像特征分类性能对比 | 第85-86页 |
| ·弹性图像特征分析 | 第86-87页 |
| ·与评分法（color score）和应变率（strain ratio）的比较 | 第87-91页 |
| ·Thard阈值的选择 | 第91-95页 |
| ·对错分样本的分析 | 第95-97页 |
| ·基于多示例学习的弹性超声图像分类 | 第97-111页 |
| ·本章小结 | 第111-113页 |
| 结论 | 第113-115页 |
| 参考文献 | 第115-126页 |
| 攻读学位期间发表的学术论文 | 第126-128页 |
| 致谢 | 第128-129页 |
| 个人简历 | 第129页 |
