乳腺X线图象计算机辅助诊断算法研究
| 中文摘要 | 第1-4页 |
| 目 录 | 第4-6页 |
| 第一章 绪论 | 第6-9页 |
| 第1节 引言 | 第6-7页 |
| 第2节 论文目标 | 第7-9页 |
| 第二章 乳腺癌及其诊断 | 第9-19页 |
| 第1节 乳腺癌概述 | 第9-15页 |
| 2．1．1 乳腺癌病理学概述 | 第9-10页 |
| 2．1．2 乳腺癌的分类 | 第10-11页 |
| 2．1．3 乳腺癌的诊断 | 第11-12页 |
| 2．1．4 乳腺癌在X线下的表现 | 第12-13页 |
| 2．1．5 乳腺X片诊断的难点 | 第13-15页 |
| 第2节 乳腺X光片计算机辅助诊断技术研究的新进展 | 第15-19页 |
| 2．2．1 钙化点自动检测算法研究 | 第15-18页 |
| 2．2．2 肿块自动检测算法研究 | 第18-19页 |
| 第三章 系统的设计与实现 | 第19-33页 |
| 第1节 系统概述 | 第19页 |
| 第2节 数据库模块 | 第19-24页 |
| 3．2．1 数据库开发工具的选择 | 第20-21页 |
| 3．2．2 模块的主要功能 | 第21-24页 |
| 第3节 图象处理模块 | 第24-33页 |
| 3．3．1 DICOM图象的解读 | 第24-26页 |
| 3．3．2 图象增强 | 第26-31页 |
| 3．3．3 图象的测量和辅助诊断 | 第31-33页 |
| 第四章 乳腺癌计算机辅助诊断算法研究 | 第33-52页 |
| 第1节 肿块的检测方法 | 第34-41页 |
| 4．1．1 区域生长的预处理 | 第34-35页 |
| 4．1．2 经典的区域生长方法 | 第35-36页 |
| 4．1．2 模糊集和基于模糊集的区域生长 | 第36-40页 |
| 4．1．3 肿块特征提取与分类 | 第40-41页 |
| 第2节 钙化点的检测 | 第41-52页 |
| 4．2．1 预处理——搜寻可疑的区域种子点 | 第42-44页 |
| 4．2．2 多忍耐度区域生长 | 第44-45页 |
| 4．2．3 特征提取 | 第45-49页 |
| 4．2．4 利用BP神经网络判别钙化点 | 第49-52页 |
| 第五章 结果分析与展望 | 第52-80页 |
| 第1节 钙化点检测结果与分析 | 第52-71页 |
| 5．1．1 形状特征参数的显著性分析 | 第52-55页 |
| 5．1．2 训练与学习算法 | 第55-59页 |
| 5．1．3 神经网络的输入与输出 | 第59-62页 |
| 5．1．4 网络参数的优化 | 第62-65页 |
| 5．1．5 检测结果与分析 | 第65-70页 |
| 5．1．6 进一步的讨论 | 第70-71页 |
| 第2节 肿块检测的结果与分析 | 第71-77页 |
| 5．2．1 四种区域生长方法的比较 | 第71-75页 |
| 5．2．2 区域特征值的结果分析 | 第75-76页 |
| 5．2．3 特征集的T检验 | 第76-77页 |
| 第3节 进一步的工作 | 第77-78页 |
| 5．3．1 数据库模块的改进 | 第77-78页 |
| 5．3．2 图象处理模块的改进 | 第78页 |
| 第4节 展望 | 第78-80页 |
| 参考文献 | 第80-85页 |
| 致 谢 | 第85页 |
