首页--工业技术论文--自动化技术、计算机技术论文--自动化技术及设备论文--自动化系统论文--数据处理、数据处理系统论文

基于机器学习的微钙化簇检测算法研究

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

论文共132页,点击 下载论文
上一篇:非线性系统的自适应学习控制
下一篇:基于嵌入式Linux的仪器操作系统的研究