第1章 乳腺X线图像的计算机辅助诊断简介
1．1 乳腺癌计算机辅助诊断的研究背景
1．2 乳腺X线图像的影像学诊断
1．2．1 乳腺癌的主要影像学诊断方法
1．2．2 钼靶X线摄影基础知识
1．3 乳腺X射线图像的病灶征象与检测难点
1．3．1 乳腺X射线图像的病灶征象
1．3．2 计算机辅助检测难点
1．4 乳腺X线图像病灶识别的研究现状
1．4．1 微钙化点的检测
1．4．2 肿块病灶检测与识别
第2章 机器学习方法概述
2．1 机器学习基本问题
2．1．1 机器学习基本概念
2．1．2 机器学习数学模型
2．2 机器学习理论
2．2．1 机器学习理论研究现状
2．2．2 机器学习的发展与展望
2．3 机器学习理论在图像处理中的应用
2．3．1 基于机器学习的目标识别
2．3．2 基于机器学习的生物特征识别
2．3．3 基于机器学习的图像检索与分类
第3章 人工神经网络
3．1 人工神经网络概述
3．1．1 人工神经网络的发展历史
3．1．2 人工神经网络的定义
3．1．3 人工神经网络基本原理
3．1．4 人工神经网络的应用
3．2 BP网络
3．2．1 BP网络概述
3．2．2 BP网络的数学模型
3．2．3 基本BP算法
3．2．4 改进BP算法
3．2．5 BP算法的实现
3．3 非确定性神经网络
3．3．1 基本的非确定训练算法
3．3．2 模拟退火算法
3．3．3 Cauchy训练
3．4 深度学习基本原理
3．4．1 深度学习概述
3．4．2 典型深度学习模型
3．4．3 深度学习训练算法
3．4．4 深度学习的几个热点问题
3．4．5 深度学习的主要应用
第4章 支持向量积
4．1 统计学习理论
4．2 支持向量机原理
4．3 支持向量机常用算法
4．3．1 选块算法
4．3．2 分解算法
4．3．3 序列最小优化算法
4．3．4 模糊支持向量机
4．3．5 最小二乘支持向量机
4．3．6 拉格朗日支持向量机
4．3．7 多分类支持向量机
4．4 支持向量机主要应用
4．4．1 图像识别
4．4．2 语音识别
4．4．3 分类问题
4．4．4 图像融合重建问题
第5章 其他常用机器学习工具简介
5．1 贝叶斯机器学习
5．1．1 贝叶斯定理
5．1．2 贝叶斯方法在机器学习中的应用
5．1．3 非参数贝叶斯方法
5．1．4 贝叶斯模型的推理方法
5．2 基于遗传算法的机器学习
5．2．1 遗传算法基本原理
5．2．2 遗传算法的应用特点
5．2．3 存在问题与一般改进措施
5．3 关联规则算法
5．4 多Agent学习
第6章 乳腺X线图像预处理与图像增强
6．1 乳腺X线图像预处理
6．1．1 图像预处理的意义
6．1．2 图像预处理算法
6．1．3 图像预处理实验参数取值及结果分析
6．2 乳腺X线图像增强
6．2．1 基于数学形态学的图像去噪基本原理
6．2．2 基于小波变换的图像增强原理
6．2．3 基于形态学与小波的反锐化掩模图像增强方法
6．3 乳腺X线图像增强效果评价
第7章 基于SVM的乳腺X线图像钙化点检测算法
7．1 乳腺X线图像钙化点粗检测算法
7．1．1 小波与Top-hat相结合的钙化点粗检测算法基本原理
7．1．2 小波与Top-hat相结合的钙化点粗检测算法
7．1．3 小波与Top-hat相结合的钙化点粗检测算法评价
7．2 基于SVM的钙化点检测算法
7．2．1 基于SVM的乳腺X线钙化点检测算法基本原理
7．2．2 钙化点目标图像的特征向量选取
7．2．3 训练样本与测试样本准备
7．2．4 钙化点检测算法
7．3 基于SVM的乳腺X线钙化点检测算法评价
7．4 基于SVM的乳腺X线钙化点检测算法总结
第8章 基于机器学习的乳腺X线图像病灶分类算法
8．1 基于深度神经网络的乳腺肿块病灶类型识别算法
8．1．1 肿块特征量的提取与计算
8．1．2 深度神经网络的设计
8．1．3 乳腺肿块分类算法设计
8．1．4 基于深度神经网络的肿块分类算法仿真结果与算法评价
8．2 基于SVM的乳腺钙化病灶分类算法
8．2．1 特征向量设计
8．2．2 特征值计算
8．2．3 基于SVM的病灶类型识别算法步骤
8．2．4 仿真实验结果及评价
8．3 乳腺疾病辅助诊断系统
附录 专业术语中英文对照表
参考文献
展开
