| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第一章 绪论 | 第12-44页 |
| ·研究背景及意义 | 第12-14页 |
| ·乳腺X线摄影及微钙化 | 第14-19页 |
| ·女性乳腺解剖学简介 | 第14-15页 |
| ·乳腺X线摄影术 | 第15-17页 |
| ·微钙化点及微钙化簇 | 第17-19页 |
| ·研究进展及现状 | 第19-29页 |
| ·计算机辅助检测现状 | 第19-21页 |
| ·微钙化点检测研究现状 | 第21-28页 |
| ·微钙化点检测发展趋势 | 第28-29页 |
| ·测试数据库及算法性能评价方法 | 第29-31页 |
| ·DDSM数据库 | 第29页 |
| ·算法评价方法 | 第29-31页 |
| ·论文研究内容及章节安排 | 第31-33页 |
| 本章参考文献 | 第33-44页 |
| 第二章 基于方向滤波器组的微钙化簇增强及检测 | 第44-58页 |
| ·引言 | 第44-45页 |
| ·基于差分滤波器组的乳腺X线图像增强 | 第45-49页 |
| ·多分辨分析与双正交小波基 | 第45-47页 |
| ·二次差分滤波器组的构建 | 第47-48页 |
| ·图像的分解及增强子图像构建 | 第48-49页 |
| ·钙化点区域检测的分类器设计与训练 | 第49-52页 |
| ·基于滤波器组的特征提取 | 第49页 |
| ·贝叶斯分类器模型 | 第49-50页 |
| ·基于Bootstrap的主动学习 | 第50-51页 |
| ·基于Bootstrap的主动学习分类器训练 | 第51-52页 |
| ·实验结果及分析 | 第52-55页 |
| ·增强效果分析 | 第52-53页 |
| ·基于Bootstrap样本选择的分类器训练 | 第53页 |
| ·检测效果的对比分析 | 第53-55页 |
| ·本章小结 | 第55页 |
| 本章参考文献 | 第55-58页 |
| 第三章 基于子空间学习的微钙化簇特征提取及检测 | 第58-78页 |
| ·引言 | 第58-59页 |
| ·子空间学习 | 第59-62页 |
| ·PCA与LDA | 第60页 |
| ·张量子空间分析 | 第60-61页 |
| ·广义张量分析 | 第61-62页 |
| ·双支持向量机 | 第62-64页 |
| ·TWSVM分类器 | 第62-63页 |
| ·核双支持向量机 | 第63-64页 |
| ·基于子空间学习及双支持向量机的微钙化簇检测 | 第64-66页 |
| ·乳腺图像预处理 | 第65-66页 |
| ·输入样本的生成 | 第66页 |
| ·TWSVM训练和最优参数的选择 | 第66页 |
| ·实验结果及分析 | 第66-74页 |
| ·实验数据库及评价准则 | 第66-67页 |
| ·实验结果及分析 | 第67-74页 |
| ·本章小结 | 第74页 |
| 本章参考文献 | 第74-78页 |
| 第四章 基于TWSTM的微钙化簇检测算法 | 第78-92页 |
| ·引言 | 第78-79页 |
| ·张量代数 | 第79-81页 |
| ·双支持张量机 | 第81-85页 |
| ·双支持向量机 | 第81-83页 |
| ·双支撑张量机 | 第83-85页 |
| ·实验结果及分析 | 第85-88页 |
| ·数据库和性能评估 | 第85-86页 |
| ·模型训练和选择 | 第86页 |
| ·性能评估结果 | 第86-87页 |
| ·计算时间分析 | 第87页 |
| ·实验结果分析 | 第87-88页 |
| ·本章小结 | 第88-89页 |
| 本章参考文献 | 第89-92页 |
| 第五章 基于主动相关反馈和集成学习的微钙化簇检测算法 | 第92-108页 |
| ·引言 | 第92-93页 |
| ·BRACING集成学习算法 | 第93-98页 |
| ·集成学习 | 第93-94页 |
| ·Bagging和Boosting | 第94-95页 |
| ·Bracing集成学习算法 | 第95-97页 |
| ·Bracing算法分析 | 第97-98页 |
| ·特征提取及基学习器的选择 | 第98-101页 |
| ·基学习器 | 第98页 |
| ·特征提取 | 第98-101页 |
| ·实验结果及分析 | 第101-104页 |
| ·实验数据 | 第101页 |
| ·实验结果 | 第101-104页 |
| ·本章小结 | 第104-105页 |
| 本章参考文献 | 第105-108页 |
| 第六章 基于混合子空间选择性集成的微钙化簇检测算法 | 第108-126页 |
| ·引言 | 第108-110页 |
| ·选择性集成学习 | 第110-114页 |
| ·集成学习的集成层次 | 第110-112页 |
| ·选择性集成 | 第112-114页 |
| ·混合子空间学习的选择性集成 | 第114-118页 |
| ·算法的思想 | 第114-115页 |
| ·算法描述 | 第115-118页 |
| ·实验结果及分析 | 第118-121页 |
| ·实验数据 | 第118页 |
| ·实验参数设置 | 第118页 |
| ·实验结果 | 第118-121页 |
| ·本章小结 | 第121-122页 |
| 本章参考文献 | 第122-126页 |
| 第七章 总结与展望 | 第126-129页 |
| ·总结 | 第126-127页 |
| ·未来工作展望 | 第127-129页 |
| 致谢 | 第129-130页 |
| 研究成果 | 第130-132页 |