摘要 | 第6-9页 |
ABSTRACT | 第9-12页 |
第一章 绪论 | 第16-22页 |
1.1 乳腺癌发病与检查 | 第16-18页 |
1.2 超声弹性成像在乳腺肿瘤诊断中的应用 | 第18-20页 |
1.2.1 超声弹性成像 | 第18-19页 |
1.2.2 基于超声弹性成像的乳腺肿瘤分析 | 第19-20页 |
1.3 论文的主要研究内容及创新点 | 第20-22页 |
第二章 图像采集与滤波 | 第22-38页 |
2.1 弹性图像采集与重建 | 第22-25页 |
2.2 各向异性扩散模型及改进 | 第25-28页 |
2.2.1 各向异性扩散模型 | 第25-27页 |
2.2.2 各向异性扩散方程的改进 | 第27-28页 |
2.3 基于McIlhagga边缘检测算子的各向异性扩散模型 | 第28-30页 |
2.3.1 McIlhagga边缘检测算子 | 第28-29页 |
2.3.2 基于McIlhagga边缘检测算子的各向异性扩散 | 第29-30页 |
2.4 基于Gabor变换的各向异性扩散模型 | 第30-31页 |
2.5 实验结果与分析 | 第31-37页 |
2.5.1 模拟图像滤波结果 | 第33-34页 |
2.5.2 乳腺超声图像滤波结果 | 第34-37页 |
2.6 本章小结 | 第37-38页 |
第三章 基于反应扩散水平集的乳腺肿瘤分割 | 第38-49页 |
3.1 水平集活动轮廓模型 | 第38-42页 |
3.1.1 曲线演化理论 | 第40页 |
3.1.2 水平集方法 | 第40-41页 |
3.1.3 演化方程 | 第41-42页 |
3.2 反应扩散水平集 | 第42-43页 |
3.3 基于GAD的反应扩散水平集模型 | 第43-44页 |
3.4 实验结果与讨论 | 第44-48页 |
3.4.1 超声乳腺肿瘤分割结果 | 第45-47页 |
3.4.2 分割量化指标结果 | 第47-48页 |
3.5 本章小结 | 第48-49页 |
第四章 特征提取 | 第49-61页 |
4.1 形态特征提取 | 第49-50页 |
4.2 图像原始域的纹理特征提取 | 第50-54页 |
4.2.1 二值纹理特征 | 第51-52页 |
4.2.2 连续纹理特征 | 第52-54页 |
4.3 轮廓波变换域的纹理特征提取 | 第54-55页 |
4.4 特征提取结果与讨论 | 第55-60页 |
4.5 本章小结 | 第60-61页 |
第五章 分类器设计 | 第61-71页 |
5.1 支持向量机 | 第61-64页 |
5.1.1 PCA-SVM | 第62-63页 |
5.1.2 TV-SVM | 第63-64页 |
5.2 深度学习 | 第64-67页 |
5.2.1 深度学习的思想 | 第65页 |
5.2.2 基学习算法 | 第65-67页 |
5.3 分类结果与分析 | 第67-69页 |
5.3.1 SVM分类结果 | 第67-68页 |
5.3.2 BL分类结果 | 第68-69页 |
5.4 本章小结 | 第69-71页 |
第六章 结论与展望 | 第71-74页 |
6.1 结论 | 第71-72页 |
6.2 展望 | 第72-74页 |
参考文献 | 第74-81页 |
作者在攻读硕士学位期间研究成果 | 第81-82页 |
作者在攻读硕士学位期间所做的项目 | 第82-83页 |
致谢 | 第83页 |