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射線圖像的病灶征像與檢測難點
1.3.1 乳腺X射線圖像的病灶征像
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應用
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征識別
2.3.3 基於機器學習的圖像檢索與分類
第3章 人工神經網絡
3.1 人工神經網絡概述
3.1.1 人工神經網絡的發展歷史
3.1.2 人工神經網絡的定義
3.1.3 人工神經網絡基本原理
3.1.4 人工神經網絡的應用
3.2 BP網絡
3.2.1 BP網絡概述
3.2.2 BP網絡的數學模型
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 非確定性神經網絡
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 深度學習的主要應用
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
4.3.1 選塊算法
4.3.2 分解算法
4.3.3 序列*小優化算法
4.3.4 模糊支持向量機
4.3.5 *小二乘支持向量機
4.3.6 拉格朗日支持向量機
4.3.7 多分類支持向量機
4.4 支持向量機主要應用
4.4.1 圖像識別
4.4.2 語音識別
4.4.3 分類問題
4.4.4 圖像融合重建問題
第5章 其他常用機器學習工具簡介
5.1 貝葉斯機器學習
5.1.1 貝葉斯定理
5.1.2 貝葉斯方法在機器學習中的應用
5.1.3 非參數貝葉斯方法
5.1.4 貝葉斯模型的推理方法
5.2 基於遺傳算法的機器學習
5.2.1 遺傳算法基本原理
5.2.2 遺傳算法的應用特點
5.2.3 存在問題與一般改進措施
5.3 關聯規則算法
5.4 多Agent學習
第6章 乳腺X線圖像預處理與圖像增強
6.1 乳腺X線圖像預處理
6.1.1 圖像預處理的意義
6.1.2 圖像預處理算法
6.1.3 圖像預處理實驗參數取值及結果分析
6.2 乳腺X線圖像增強
6.2.1 基於數學形態學的圖像去噪基本原理
6.2.2 基於小波變換的圖像增強原理
6.2.3 基於形態學與小波的反銳化掩模圖像增強方法
6.3 乳腺X線圖像增強效果評價
第7章 基於SVM的乳腺X線圖像鈣化點檢測算法
7.1 乳腺X線圖像鈣化點粗檢測算法
7.1.1 小波與Top-hat相結合的鈣化點粗檢測算法基本原理
7.1.2 小波與Top-hat相結合的鈣化點粗檢測算法
7.1.3 小波與Top-hat相結合的鈣化點粗檢測算法評價
7.2 基於SVM的鈣化點檢測算法
7.2.1 基於SVM的乳腺X線鈣化點檢測算法基本原理
7.2.2 鈣化點目標圖像的特征向量選取
7.2.3 訓練樣本與測試樣本準備
7.2.4 鈣化點檢測算法
7.3 基於SVM的乳腺X線鈣化點檢測算法評價
7.4 基於SVM的乳腺X線鈣化點檢測算法總結
第8章 基於機器學習的乳腺X線圖像病灶分類算法
8.1 基於深度神經網絡的乳腺腫塊病灶類型識別算法
8.1.1 腫塊特征量的提取與計算
8.1.2 深度神經網絡的設計
8.1.3 乳腺腫塊分類算法設計
8.1.4 基於深度神經網絡的腫塊分類算法仿真結果與算法評價
8.2 基於SVM的乳腺鈣化病灶分類算法
8.2.1 特征向量設計
8.2.2 特征值計算
8.2.3 基於SVM的病灶類型識別算法步驟
8.2.4 仿真實驗結果及評價
8.3 乳腺疾病輔助診斷繫統
附錄 專業術語中英文對照表
參考文獻