声明
1 绪论
1.1 研究背景及意义
1.2 研究现状
1.3 本文主要工作
1.4 论文组织结构
2 相关技术
2.1 特征提取
2.2 特征选择
2.3 机器学习算法
2.3.1 最小绝对收缩和选择算子(Lasso)
2.3.2逻辑回归(Logistic Regression,LR)
2.3.3支持向量机(Support Vector Machine,SVM)
2.3.4随机森林(Random Forest,RF)
2.3.5 分类器性能评价指标
2.4 本章小结
3 数据处理与特征工程
3.1 实验数据
3.2 图像预处理
3.3 特征工程
3.4 本章小结
4 分类模型构建
4.1 分类模型训练
4.1.1 逻辑回归(LR)模型训练
4.1.2 支持向量机(SVM)模型训练
4.1.3 随机森林(RF)模型训练
4.1.4 分类模型性能评估
4.2 本章小结
5 实验结果及分析
5.1 Lasso特征选择结果分析
5.2 影像组学特征分类模型结果分析
5.2.1 逻辑回归分类结果分析
5.2.2 支持向量机分类结果分析
5.2.3 随机森林分类结果分析
5.2.4 三个影像组学模型结果对比分析
5.3 临床信息分类模型结果
5.4 临床信息加影像组学特征分类模型结果
5.5 模型之间的比较
5.6 本章小结
6 总结与展望
6.1 本文工作总结
6.2 展望
参考文献
个人简历、在学期间发表的学术论文与研究成果
致谢