基于机器学习的乳腺图像辅助诊断算法研究2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

基于机器学习的乳腺图像辅助诊断算法研究PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 乳腺X线图像的计算机辅助诊断简介1

1.1 乳腺癌计算机辅助诊断的研究背景1

1.2 乳腺X线图像的影像学诊断4

1.2.1 乳腺癌的主要影像学诊断方法4

1.2.2 钼靶X线摄影基础知识6

1.3 乳腺X射线图像的病灶征象与检测难点7

1.3.1 乳腺X射线图像的病灶征象7

1.3.2 计算机辅助检测难点11

1.4 乳腺X线图像病灶识别的研究现状12

1.4.1 微钙化点的检测12

1.4.2 肿块病灶检测与识别17

第2章 机器学习方法概述21

2.1 机器学习基本问题21

2.1.1 机器学习基本概念21

2.1.2 机器学习数学模型22

2.2 机器学习理论23

2.2.1 机器学习理论研究现状23

2.2.2 机器学习的发展与展望25

2.3 机器学习理论在图像处理中的应用28

2.3.1 基于机器学习的目标识别28

2.3.2 基于机器学习的生物特征识别30

2.3.3 基于机器学习的图像检索与分类31

第3章 人工神经网络34

3.1 人工神经网络概述34

3.1.1 人工神经网络的发展历史34

3.1.2 人工神经网络的定义37

3.1.3 人工神经网络基本原理38

3.1.4 人工神经网络的应用44

3.2 BP网络44

3.2.1 BP网络概述44

3.2.2 BP网络的数学模型46

3.2.3 基本BP算法46

3.2.4 改进BP算法50

3.2.5 BP算法的实现52

3.3 非确定性神经网络55

3.3.1 基本的非确定训练算法56

3.3.2 模拟退火算法57

3.3.3 Cauchy训练60

3.4 深度学习基本原理61

3.4.1 深度学习概述61

3.4.2 典型深度学习模型63

3.4.3 深度学习训练算法68

3.4.4 深度学习的几个热点问题70

3.4.5 深度学习的主要应用73

第4章 支持向量积77

4.1 统计学习理论77

4.2 支持向量机原理80

4.3 支持向量机常用算法85

4.3.1 选块算法85

4.3.2 分解算法86

4.3.3 序列最小优化算法86

4.3.4 模糊支持向量机87

4.3.5 最小二乘支持向量机88

4.3.6 拉格朗日支持向量机89

4.3.7 多分类支持向量机90

4.4 支持向量机主要应用91

4.4.1 图像识别92

4.4.2 语音识别93

4.4.3 分类问题94

4.4.4 图像融合重建问题95

第5章 其他常用机器学习工具简介97

5.1 贝叶斯机器学习97

5.1.1 贝叶斯定理97

5.1.2 贝叶斯方法在机器学习中的应用97

5.1.3 非参数贝叶斯方法98

5.1.4 贝叶斯模型的推理方法101

5.2 基于遗传算法的机器学习103

5.2.1 遗传算法基本原理103

5.2.2 遗传算法的应用特点104

5.2.3 存在问题与一般改进措施105

5.3 关联规则算法107

5.4 多Agent学习108

第6章 乳腺X线图像预处理与图像增强111

6.1 乳腺X线图像预处理112

6.1.1 图像预处理的意义112

6.1.2 图像预处理算法112

6.1.3 图像预处理实验参数取值及结果分析114

6.2 乳腺X线图像增强115

6.2.1 基于数学形态学的图像去噪基本原理116

6.2.2 基于小波变换的图像增强原理116

6.2.3 基于形态学与小波的反锐化掩模图像增强方法117

6.3 乳腺X线图像增强效果评价120

第7章 基于SVM的乳腺X线图像钙化点检测算法124

7.1 乳腺X线图像钙化点粗检测算法124

7.1.1 小波与Top-hat相结合的钙化点粗检测算法基本原理124

7.1.2 小波与Top-hat相结合的钙化点粗检测算法126

7.1.3 小波与Top-hat相结合的钙化点粗检测算法评价127

7.2 基于SVM的钙化点检测算法131

7.2.1 基于SVM的乳腺X线钙化点检测算法基本原理131

7.2.2 钙化点目标图像的特征向量选取133

7.2.3 训练样本与测试样本准备135

7.2.4 钙化点检测算法135

7.3 基于SVM的乳腺X线钙化点检测算法评价137

7.4 基于SVM的乳腺X线钙化点检测算法总结138

第8章 基于机器学习的乳腺X线图像病灶分类算法140

8.1 基于深度神经网络的乳腺肿块病灶类型识别算法140

8.1.1 肿块特征量的提取与计算140

8.1.2 深度神经网络的设计145

8.1.3 乳腺肿块分类算法设计148

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149

8.2 基于SVM的乳腺钙化病灶分类算法153

8.2.1 特征向量设计153

8.2.2 特征值计算153

8.2.3 基于SVM的病灶类型识别算法步骤154

8.2.4 仿真实验结果及评价155

8.3 乳腺疾病辅助诊断系统156

附录 专业术语中英文对照表159

参考文献163