| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| 第一章 绪论 | 第8-14页 |
| ·引言 | 第8页 |
| ·选题背景及意义 | 第8-10页 |
| ·肿瘤图像分类的国内外研究现状 | 第10-12页 |
| ·国外研究现状 | 第10-11页 |
| ·国内研究现状 | 第11-12页 |
| ·论文研究内容及结构 | 第12-14页 |
| ·论文主要研究内容 | 第12-13页 |
| ·论文的组织结构 | 第13-14页 |
| 第二章 基于SVM的肿瘤分类识别方法 | 第14-26页 |
| ·医学图像中单分类器方法的研究现状 | 第14页 |
| ·医学图像中多分类器组合方法的研究现状 | 第14-16页 |
| ·图像的分类识别方法 | 第16-21页 |
| ·统计模式识别方法 | 第16-18页 |
| ·人工神经网络识别方法 | 第18-21页 |
| ·基于 SVM 的肿瘤图像分类识别 | 第21-25页 |
| ·支持向量机 | 第21-24页 |
| ·最小二乘支持向量机 | 第24-25页 |
| ·肿瘤图像分类 | 第25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于最小二乘支持向量机（LSSVM）的算法设计 | 第26-38页 |
| ·核主成分分析（KPCA） | 第26-30页 |
| ·主成分分析法 | 第26-27页 |
| ·主成分分量的选取 | 第27-28页 |
| ·PCA 变换流程 | 第28-29页 |
| ·核主成分分析 | 第29-30页 |
| ·线性判别法（LDA） | 第30-33页 |
| ·LDA 的概念 | 第31-32页 |
| ·KPCA 与 LDA 变换过程 | 第32-33页 |
| ·最小二乘支持向量机算法（LSSVM） | 第33-36页 |
| ·LSSVM 的介绍 | 第33-34页 |
| ·LSSVM 的算法设计 | 第34-35页 |
| ·核函数的选择 | 第35-36页 |
| ·算法优劣的评价标准 | 第36页 |
| ·本章小结 | 第36-38页 |
| 第四章 最小二乘支持向量机在肿瘤分类中的应用 | 第38-48页 |
| ·图像降维过程 | 第38-41页 |
| ·KPCA 的应用实现 | 第38-39页 |
| ·LDA 的应用实现 | 第39页 |
| ·KPCA+LDA 的转换实现 | 第39-41页 |
| ·图像分类方法 | 第41-42页 |
| ·K 最近邻算法 | 第41页 |
| ·LSSVM 算法 | 第41-42页 |
| ·实验仿真 | 第42-47页 |
| ·本章小结 | 第47-48页 |
| 第五章 肿瘤图像分类系统设计 | 第48-57页 |
| ·系统功能设计实现 | 第48-50页 |
| ·图像预处理模块 | 第49页 |
| ·图像分割与跟踪模块 | 第49页 |
| ·图像特征提取和分类模块 | 第49-50页 |
| ·病理信息模块 | 第50页 |
| ·系统详细设计实现：VC++与 MATLAB 混合编程 | 第50-53页 |
| ·MATLAB 中 COM 组件的制作 | 第50-52页 |
| ·设置VC 中的环境 | 第52-53页 |
| ·肿瘤图像识别部分的实现 | 第53-56页 |
| ·本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| ·本文工作总结 | 第57-58页 |
| ·展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 个人简历 在读期间发表的学术论文 | 第63-64页 |
| 致谢 | 第64页 |