| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 脑肿瘤现状及诊断技术 | 第10-11页 |
| 1.2 磁共振波谱技术简介 | 第11页 |
| 1.3 小波分析技术及应用 | 第11-13页 |
| 1.4 机器学习发展现状及应用 | 第13-14页 |
| 1.5 论文组织结构 | 第14-16页 |
| 第二章 磁共振波谱原理与方法 | 第16-24页 |
| 2.1 磁共振波谱原理 | 第16页 |
| 2.2 磁共振波谱采集方法 | 第16-19页 |
| 2.2.1 单体素波谱采集 | 第16-17页 |
| 2.2.2 多体素波谱采集 | 第17-19页 |
| 2.3 磁共振波谱量化原理 | 第19-22页 |
| 2.4 脑肿瘤磁共振波谱表现 | 第22页 |
| 2.5 本章小结 | 第22-24页 |
| 第三章 小波去噪原理及方法 | 第24-32页 |
| 3.1 连续小波变换和离散小波变换 | 第24-26页 |
| 3.2 多级小波分解与小波包分解 | 第26-27页 |
| 3.2.1 多级小波分解 | 第26页 |
| 3.2.2 小波包分解 | 第26页 |
| 3.2.3 最优小波包分解 | 第26-27页 |
| 3.3 小波去噪方法 | 第27-30页 |
| 3.3.1 噪声模型 | 第27-28页 |
| 3.3.2 阈值选择方法 | 第28-29页 |
| 3.3.3 阈值处理函数 | 第29-30页 |
| 3.3.4 模型修正 | 第30页 |
| 3.4 本章小结 | 第30-32页 |
| 第四章 特征提取及机器学习 | 第32-52页 |
| 4.1 特征提取 | 第32-36页 |
| 4.1.1 基于ANOVA F-test的特征提取方法 | 第32-33页 |
| 4.1.2 基于互信息的特征提取方法 | 第33-34页 |
| 4.1.3 基于SVM-RFE的特征选择方法 | 第34-35页 |
| 4.1.4 基于随机森林的特征提取方法 | 第35-36页 |
| 4.1.5 基于L1正则化的特征提取方法 | 第36页 |
| 4.2 人工神经网络与贝叶斯神经网络模型 | 第36-46页 |
| 4.2.1 人工神经网络模型 | 第36-42页 |
| 4.2.2 贝叶斯网络模型 | 第42-46页 |
| 4.3 决策树与随机森林模型 | 第46-49页 |
| 4.3.1 决策树模型 | 第46-48页 |
| 4.3.2 随机森林模型 | 第48-49页 |
| 4.4 支持向量机模型 | 第49-51页 |
| 4.4.1 模型定义 | 第49-50页 |
| 4.4.2 数据处理流程 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 实验结果与讨论 | 第52-74页 |
| 5.1 飞利浦波谱源文件解析 | 第52-53页 |
| 5.2 LCModel数据预处理 | 第53-56页 |
| 5.3 小波去噪实验 | 第56-62页 |
| 5.3.1 信噪比定义 | 第56-57页 |
| 5.3.2 小波分解去噪 | 第57-59页 |
| 5.3.3 小波包分解去噪 | 第59-62页 |
| 5.4 特征提取实验结果 | 第62-64页 |
| 5.5 人工神经网络实验结果 | 第64-66页 |
| 5.5.1 学习算法验证 | 第65-66页 |
| 5.6 贝叶斯神经网络实验结果 | 第66-68页 |
| 5.6.1 BNN结合各特征选择算法性能 | 第66-68页 |
| 5.7 随机森林模型 | 第68-69页 |
| 5.8 SVM实验结果 | 第69-71页 |
| 5.9 本章小结 | 第71-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 总结 | 第74页 |
| 6.2 展望 | 第74-76页 |
| 致谢 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 作者简介 | 第82页 |