首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于多尺度空间金字塔集成的乳腺影像肿块检测方法研究

摘要第5-6页
ABSTRACT第6页
缩略语对照表第9-12页
第一章 绪论第12-18页
    1.1 课题研究背景与意义第12-13页
    1.2 医学影像处理方法的研究进展第13-14页
    1.3 乳腺疾病影像学基础及影像学表现第14-15页
        1.3.1 常规X射线成像原理第14-15页
        1.3.2 乳腺癌的影像学表现第15页
    1.4 论文的主要工作和内容安排第15-18页
第二章 基于多尺度空间金字塔集成的乳腺影像肿块检测第18-32页
    2.1 引言第18-19页
    2.2 医学影像的特征提取方法第19-24页
        2.2.1 灰度共生矩阵第19-21页
        2.2.2 灰度-梯度共生矩阵第21-23页
        2.2.3 Hu矩第23-24页
    2.3 多尺度空间金字塔集成第24-26页
        2.3.1 空间金字塔划分第25页
        2.3.2 多尺度集成第25-26页
    2.4 基于多尺度空间金字塔集成的乳腺影像肿块检测方法第26-28页
        2.4.1 乳腺影像的预处理第26页
        2.4.2 空间金字塔划分第26-27页
        2.4.3 多尺度集成第27-28页
    2.5 实验结果及分析第28-30页
        2.5.1 不平衡数据分类评价指标第28页
        2.5.2 实验结果与分析第28-30页
    2.6 本章小结第30-32页
第三章 基于多目标遗传算法和空间金字塔的乳腺影像肿块检测第32-42页
    3.1 引言第32页
    3.2 多目标遗传算法第32-36页
        3.2.1 带精英策略的非支配排序遗传算法第33页
        3.2.2 快速非支配排序法第33-34页
        3.2.3 拥挤度比较算子第34-35页
        3.2.4 精英策略第35-36页
        3.2.5 NSGA-Ⅱ的算法流程第36页
    3.3 基于多目标遗传算法和空间金字塔的乳腺影像肿块检测方法第36-38页
        3.3.1 空间金字塔划分第37页
        3.3.2 运用NSGA-Ⅱ进行特征选择第37-38页
        3.3.3 多尺度集成第38页
    3.4 实验结果及分析第38-40页
    3.5 本章小结第40-42页
第四章 基于深度卷积神经网络和空间金字塔的乳腺影像肿块检测第42-54页
    4.1 引言第42页
    4.2 卷积神经网络第42-47页
        4.2.1 稀疏连接第43页
        4.2.2 权重共享第43-44页
        4.2.3 最大池采样第44页
        4.2.4 Softmax回归第44-46页
        4.2.5 卷积神经网络整体架构第46-47页
    4.3 基于深度卷积神经网络和空间金字塔的乳腺肿块检测方法第47-49页
        4.3.1 空间金字塔划分第48页
        4.3.2 深度卷积神经网络的网络模型构建第48-49页
        4.3.3 多尺度集成第49页
    4.4 实验结果及分析第49-51页
        4.4.1 实验结果第49-50页
        4.4.2 结果分析第50-51页
    4.5 本章小结第51-54页
第五章 总结第54-56页
致谢第56-58页
参考文献第58-62页
作者简介第62-63页

论文共63页,点击 下载论文
上一篇:腹腔注射地米那嗪对大鼠局灶性脑缺血/再灌注早期损伤的影响及机制
下一篇:梭形动脉瘤流场特征与病理学改变的相关性研究