基於機器學習的乳腺圖像輔助診斷算法研究

內容簡介

《基於機器學習的乳腺圖像輔助診斷算法研究》的主要內容如下：一是對機器學習的主要方法進行介紹，重點分析了乳腺鉬靶x線圖像處理中套用到的機器學習方法；二是介紹了乳腺鉬靶X線圖像預處理方法，主要是套用平滑濾波與形態填充的方法，實現乳腺X線圖像中乳腺區域、感興趣區域的自動提取，並採用基於小波的反銳化掩模算法對x線圖像進行去噪與增強的處理；三是介紹了乳腺X線圖像鈣化點檢測方法；四是介紹了基於深度神經網路的與基於SVM的兩種乳腺腫塊圖像分類識別的算法，並簡介了乳腺X線圖像輔助診斷系統的設計與實現。

圖書目錄

第1章乳腺X線圖像的計算機輔助診斷簡介

1．1 乳腺癌計算機輔助診斷的研究背景

1．2 乳腺X線圖像的影像學診斷

1．2．1 乳腺癌的主要影像學診斷方法

1．2．2 鉬靶X線攝影基礎知識

1．3 乳腺X射線圖像的病灶徵象與檢測難點

1．3．1 乳腺X射線圖像的病灶徵象

1．3．2 計算機輔助檢測難點

1．4 乳腺X線圖像病灶識別的研究現狀

1．4．1 微鈣化點的檢測

1．4．2 腫塊病灶檢測與識別

第2章機器學習方法概述

2．1 機器學習基本問題

2．1．1 機器學習基本概念

2．1．2 機器學習數學模型

2．2 機器學習理論

2．2．1 機器學習理論研究現狀

2．2．2 機器學習的發展與展望

2．3 機器學習理論在圖像處理中的套用

2．3．1 基於機器學習的目標識別

2．3．2 基於機器學習的生物特徵識別

2．3．3 基於機器學習的圖像檢索與分類

第3章人工神經網路

3．1 人工神經網路概述

3．1．1 人工神經網路的發展歷史

3．1．2 人工神經網路的定義

3．1．3 人工神經網路基本原理

3．1．4 人工神經網路的套用

3．2 BP網路

3．2．1 BP網路概述

3．2．2 BP網路的數學模型

3．2．3 基本BP算法

3．2．4 改進BP算法

3．2．5 BP算法的實現

3．3 非確定性神經網路

3．3．1 基本的非確定訓練算法

3．3．2 模擬退火算法

3．3．3 Cauchy訓練

3．4 深度學習基本原理

3．4．1 深度學習概述

3．4．2 典型深度學習模型

3．4．3 深度學習訓練算法

3．4．4 深度學習的幾個熱點問題

3．4．5 深度學習的主要套用

第4章支持向量積

4．1 統計學習理論

4．2 支持向量機原理

4．3 支持向量機常用算法

基於機器學習的乳腺圖像輔助診斷算法研究

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條