請用此 Handle URI 來引用此文件:
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/65518
完整後設資料紀錄
DC 欄位 | 值 | 語言 |
---|---|---|
dc.contributor.advisor | 陳正剛 | |
dc.contributor.author | Shu-Chuan Chuang | en |
dc.contributor.author | 莊曙詮 | zh_TW |
dc.date.accessioned | 2021-06-16T23:47:58Z | - |
dc.date.available | 2015-07-27 | |
dc.date.copyright | 2012-07-27 | |
dc.date.issued | 2012 | |
dc.date.submitted | 2012-07-23 | |
dc.identifier.citation | [1] Breiman, L., “Bagging Predictors,” Machine Learning, Vol. 24, pp. 123-140 , 1996.
[2] Freund Y., Schapire R.E., “A Short Introduction to Boosting,” Journal of Japanese Society for Artificial Intelligence, Vol. 14(5), pp. 771-780, 1999. [3] Schapire R.E., “Improved Boosting Algorithms Using Confidence-rated Prediction,” Machine Learning, Vol. 37(3), pp. 297-336, 1999. [4] Jerome Friedman, Trevor Hastie, Robert Tibshirani, “Additive Logistic Regression: A Statistical View of Boosting,” The Annals of Statistics, Vol. 28, No. 2, pp. 337-407, 2000. [5] Dietterich T.G., “Ensemble Learning,” The Handbook of Brain Theory and Neural Networks, Second edition, The MIT Press, Cambridge, 2002. [6] Arnau Oliver, Jordi Freixenet, Robert Marti, Josep Pont, Elsa Perez, Erika R. E. Denton, Reyer Zwiggelaar, “A Novel Breast Tissue Density Classification Methodology,” IEEE Transactions on Information Technology in Biomedicine, Vol. 12, No. 1, 2008. [7] Yu Zhang, Noriko Tomuro, Jacod Furst, Daniela Stan Raicu, “Using BI-RADS Descriptors and Ensemble Learning for Classifying Masses in Mammograms,” Springer-Verlag Berlin Heidelberg, 2010. [8] Alaa M. Elsayad, “Predicting the Severity of Breast Masses with Ensemble of Bayesian Classifiers,” Journal of Computer Science, Vol. 6(5), pp. 576-584, 2010. [9] 劉中維,「甲狀腺腫瘤超音波特徵之量化與效力分析」,國立台灣大學工業工程研究所碩士論文,2009。 [10] 賴淑俐,「多層判別分析理論與方法擴張及其於腫瘤診斷上的應用」,國立台灣大學工業工程研究所碩士論文,2010。 [11] 楊邵桓,「乳房腫瘤超音波特徵之量化與效力分析」,國立台灣大學工業工程研究所碩士論文,2012。 | |
dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/65518 | - |
dc.description.abstract | 在二類別分類問題上,諸多研究已驗證分類樹群(Ensemble)模型的分類效能比單一分類樹來得良好;然而,在實際應用的領域中,僅有兩種類別的分類結果往往不足以滿足實際需求,例如在臨床腫瘤診斷上,醫師對腫瘤所做的判斷不僅僅只有良性或惡性如此非黑即白的結果,而是針對腫瘤的各項特徵,評估腫瘤為良性或惡性的機率高低。
再者,分類樹群雖有較好的分類效能,卻不如單一分類樹容易解釋。在單一分類樹中,我們可由一案例所經過的節點與分枝來了解該樣本被分類為某一類別的原因,但在分類樹群模型裡,一案例會經過多棵分類樹,並由此眾多分類樹共同判定該案例的類別,如此一來,該樣本之所以被歸為某一類別的原由便隨之複雜許多。 針對二類別分類不足以滿足實際需求的問題,雖已有學者提出可將樹群模型分類結果轉換為機率值,提供了比二類別分類更細緻的多類別分類能力,但要適切地處理多類分類問題並不是如此一蹴可及,以一般建構方式建立的樹群模型仍有其不足之處;因此本研究提出階段性地建構樹群模型,並透過參數的設定,使不同階段的樹群模型各自具有其所專精的分類目標,以達到更良好的多類別分類效能。而針對不易解釋的缺點,本論文則提出以樹葉節點的摘要方式對每個案例之所以被歸類為某一類別的原因提供說明。 | zh_TW |
dc.description.abstract | Literature has shown that ensemble model usually out-performs one single classification tree for binary classification; however, classifying only two classes often fails to satisfy real practice. Take nodule diagnosis for example, what a clinician does is judge how possible a nodule is benign or malignant by the characters of the nodule instead of simply give a deterministically binary answer such as benignancy or malignancy.
Moreover, though Ensemble model has better performance, it’s not straightforward to interpret how the prediction is made. Such a question can be easily answered when one single classification is used; the reason lies in the nodes and branches an instance passes by in the classification tree. While in an ensemble model, an instance is judged by a bunch of classification trees, which means there will be far more nodes and branches an instance passes by, and those nodes and branches belong to different trees. Some researchers had provided methods that can transform ensemble prediction into probability and make ensemble be able to deal with more sophisticated problem other than binary classification. However, an ensemble model built by the traditional way is still not capable enough to well perform multi-class tasks such as nodule categorization. Therefore, in this research, a stage-wise ensemble modeling method is offered to build a compound ensemble model where each ensemble component, with a parameter, has its own strength to classify certain subjects. Besides, for ensemble model’s shortage of being difficult to be explained, this research also develops a leaf nodes summarizing method that can provide reasons why an instance is judged to be a certain class. | en |
dc.description.provenance | Made available in DSpace on 2021-06-16T23:47:58Z (GMT). No. of bitstreams: 1 ntu-101-R99546026-1.pdf: 2696033 bytes, checksum: c1a09341e879cb7dc7f23a4487613631 (MD5) Previous issue date: 2012 | en |
dc.description.tableofcontents | 口試委員會審定書 #
誌謝 i 中文摘要 iii ABSTRACT v CONTENTS vii 圖目錄 xi 表目錄 xx 第1章 緒論 1 1.1 研究背景 1 1.2 研究動機與研究目的 2 1.3 論文架構 3 第2章 文獻探討 4 2.1 BI-RADS與TI-RADS腫瘤分級系統 4 2.2 一般樹群模型之建構 6 2.3 Discrete AdaBoost、Real AdaBoost,以及GentleBoost演算法 8 2.4 樹群模型運算結果之機率轉換 11 2.4.1 Additive logistic regression 12 2.4.2 指數損失函數之最佳化 13 2.5 相關研究概述 16 第3章 模型建構方法 18 3.1 Boosting方法之選擇 18 3.2 參數之功能與影響 20 3.3 樹群大小之設定 21 3.4 乳房腫瘤訓練樣本初步分級 23 3.5 BI-RADS分級模型建構方法一 25 3.5.1 模型建構 25 3.5.2 模型分級流程 29 3.6 BI-RADS分級模型建構方法二 30 3.6.1 模型建構 30 3.6.2 模型運作 34 3.7 甲狀腺腫瘤訓練樣本初步分級 35 3.8 TI-RADS分級模型建構方法 37 3.8.1 模型建構 37 3.8.2 模型運作 41 3.9 模型摘要 42 3.9.1 摘要方法 42 第4章 實例驗證 48 4.1 資料說明 48 4.2 乳房腫瘤實例驗證(B-mode屬性、CART樹群) 49 4.2.1 訓練樣本初步分級與各樹群大小之決定 50 4.2.2 模型建構(方法一) 53 4.2.3 模型驗證(方法一) 56 4.2.4 模型摘要 60 4.2.5 模型建構(方法二) 69 4.2.6 模型驗證(方法二) 69 4.2.7 模型摘要 73 4.3 乳房腫瘤實例驗證(B-mode屬性、Multi-Layer FLD樹群) 82 4.3.1 訓練樣本初步分級 82 4.3.2 模型建構(方法一) 85 4.3.3 模型驗證(方法一) 88 4.3.4 模型摘要 92 4.3.5 模型建構(方法二) 106 4.3.6 模型驗證(方法二) 106 4.3.7 模型摘要 110 4.4 乳房腫瘤實例驗證(B-mode屬性 + EI屬性、CART樹群) 124 4.4.1 訓練樣本初步分級 124 4.4.2 模型建構(方法一) 127 4.4.3 模型驗證(方法一) 130 4.4.4 模型摘要 134 4.4.5 模型建構(方法二) 143 4.4.6 模型驗證(方法二) 143 4.4.7 模型摘要 147 4.5 乳房腫瘤實例驗證(B-mode + EI屬性、Multi-Layer FLD樹群) 156 4.5.1 訓練樣本初步分級 156 4.5.2 模型建構(方法一) 159 4.5.3 模型驗證(方法一) 162 4.5.4 模型摘要 166 4.5.5 模型建構(方法二) 180 4.5.6 模型驗證(方法二) 180 4.5.7 模型摘要 184 4.6 甲狀腺腫瘤實例驗證(CART樹群) 198 4.6.1 訓練樣本初步分級 198 4.6.2 模型建構 200 4.6.3 模型驗證 203 4.6.4 模型摘要 207 4.7 甲狀腺腫瘤實例驗證(Multi-Layer FLD樹群) 213 4.7.1 訓練樣本初步分級 213 4.7.2 模型建構 216 4.7.3 模型驗證 218 4.7.4 模型摘要 222 第5章 結論與未來研究建議 231 參考文獻 233 圖目錄 圖 2.1 指數損失函數與誤判損失函數 13 圖 3.1 三種Boosting演算法TI-RADS分級結果比較 19 圖 3.2 四種參數設定下之機率散佈圖 21 圖 3.3 BI-RADS模型(方法一)分級流程圖 30 圖 3.4 BI-RADS模型(方法二)分級流程圖 35 圖 3.5 TI-RADS模型分級流程圖 42 圖 4.1 獨立測試樣本BI-RADS分級結果(臨床人員評級) 49 圖 4.2 訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性、CART樹群) 51 圖 4.3 乳房腫瘤訓練樣本初步分級結果(乳房腫瘤案例、B-Mode屬性、CART樹群) 51 圖 4.4 樹群二訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性、CART樹群) 52 圖 4.5 樹群三(方法一)訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性、CART樹群) 52 圖 4.6 樹群三(方法二)訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性、CART樹群) 53 圖 4.7 樹群一訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性、CART樹群) 54 圖 4.8 樹群二訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性、CART樹群) 55 圖 4.9 樹群三(方法一)訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性、CART樹群) 55 圖 4.10 樹群一獨立測試樣本驗證結果(乳房腫瘤案例、B-Mode屬性、CART樹群) 57 圖 4.11 樹群二獨立測試樣本驗證結果(過濾前)(乳房腫瘤案例、B-Mode屬性、CART樹群) 57 圖 4.12 樹群二獨立測試樣本驗證結果(過濾後)(乳房腫瘤案例、B-Mode屬性、CART樹群) 58 圖 4.13 樹群三(方法一)獨立測試樣本驗證結果(乳房腫瘤案例、B-Mode屬性、CART樹群) 58 圖 4.14 多階段調適樹群模型(方法一)分級結果彙整(乳房腫瘤案例、B-Mode屬性、CART樹群) 59 圖 4.15 多階段調適樹群模型(方法一)與臨床人員分級結果交叉分析(乳房腫瘤案例、B-Mode屬性、CART分類樹) 59 圖 4.16 樹群三(方法二)訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性、CART樹群) 69 圖 4.17 樹群三(方法二)獨立測試樣本驗證結果(合併前) (乳房腫瘤案例、B-Mode屬性、CART樹群) 71 圖 4.18 樹群三(方法二)獨立測試樣本驗證結果(合併後) (乳房腫瘤案例、B-Mode屬性、CART樹群) 71 圖 4.19 多階段調適樹群模型(方法二)分級結果彙整(乳房腫瘤案例、B-Mode屬性、CART樹群) 72 圖 4.20 多階段調適樹群模型(方法二)與臨床人員分級結果交叉分析(乳房腫瘤案例、B-Mode屬性、CART分類樹) 72 圖 4.21 訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性、ML-FLD樹群) 83 圖 4.22 訓練樣本初步分級結果(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 83 圖 4.23 樹群二訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 84 圖 4.24 樹群三(方法一)訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 84 圖 4.25 樹群三(方法二)訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 85 圖 4.26 樹群一訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 86 圖 4.27 樹群二訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 87 圖 4.28 樹群三(方法一)訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 87 圖 4.29 樹群一獨立測試樣本驗證結果(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 89 圖 4.30 樹群二獨立測試樣本驗證結果(過濾前)(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 89 圖 4.31 樹群二獨立測試樣本驗證結果(過濾後)(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 90 圖 4.32 樹群三(方法一)獨立測試樣本驗證結果(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 90 圖 4.33 多階段調適樹群模型(方法一)分級結果彙整(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 91 圖 4.34 多階段調適樹群模型(方法一)與臨床人員分級結果交叉分析(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD分類樹) 91 圖 4.35 樹群三(方法二)訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 106 圖 4.36 樹群三(方法二)獨立測試樣本驗證結果(合併前)(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 108 圖 4.37 樹群三(方法二)獨立測試樣本驗證結果(合併後)(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 108 圖 4.38 多階段調適樹群模型(方法二)分級結果彙整(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD樹群) 109 圖 4.39 多階段調適樹群模型(方法二)與臨床人員分級結果交叉分析(乳房腫瘤案例、B-Mode屬性、Multi-Layer FLD分類樹) 109 圖 4.40 訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 125 圖 4.41 訓練樣本初步分級結果(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 125 圖 4.42 樹群二訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 126 圖 4.43 樹群三(方法一)訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 126 圖 4.44 樹群三(方法二)訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 127 圖 4.45 樹群一訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 128 圖 4.46 樹群二訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 129 圖 4.47 樹群三(方法一)訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 129 圖 4.48 樹群一獨立測試樣本驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 131 圖 4.49 樹群二獨立測試樣本驗證結果(過濾前)(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 131 圖 4.50 樹群二獨立測試樣本驗證結果(過濾後)(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 132 圖 4.51 樹群三(方法一)獨立測試樣本驗證結果(合併前)(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 132 圖 4.52 多階段調適樹群模型(方法一)分級結果彙整(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 133 圖 4.53 多階段調適樹群模型(方法一)與臨床人員分級結果交叉分析(乳房腫瘤案例、B-Mode屬性+EI屬性、CART分類樹) 133 圖 4.54 樹群三(方法二)訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 143 圖 4.55 樹群三(方法二)獨立測試樣本驗證結果(合併前) (乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 145 圖 4.56 樹群三(方法二)獨立測試樣本驗證結果(合併後) (乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 145 圖 4.57 多階段調適樹群模型(方法二)分級結果彙整(乳房腫瘤案例、B-Mode屬性+EI屬性、CART樹群) 146 圖 4.58 多階段調適樹群模型(方法二)與臨床人員分級結果交叉分析(乳房腫瘤案例、B-Mode屬性+EI屬性、CART分類樹) 146 圖 4.59 訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 157 圖 4.60 訓練樣本初步分級結果(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 157 圖 4.61 樹群二訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 158 圖 4.62 樹群三(方法一)訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 158 圖 4.63 樹群三(方法二)訓練樣本五組交互驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 159 圖 4.64 樹群一訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 160 圖 4.65 樹群二訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 161 圖 4.66 樹群三(方法一)訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 161 圖 4.67 樹群一獨立測試樣本驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 163 圖 4.68 樹群二獨立測試樣本驗證結果(過濾前)(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 163 圖 4.69 樹群二獨立測試樣本驗證結果(過濾前)(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 164 圖 4.70 樹群三(方法一)獨立測試樣本驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 164 圖 4.71 多階段調適樹群模型(方法一)分級結果彙整(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 165 圖 4.72 多階段調適樹群模型(方法一)與臨床人員分級結果交叉分析(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD分類樹) 165 圖 4.73 樹群三(方法二)訓練樣本驗證結果(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 180 圖 4.74 樹群三(方法二)獨立測試樣本驗證結果(合併前) (乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 182 圖 4.75 樹群三(方法二)獨立測試樣本驗證結果(合併後) (乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 182 圖 4.76 多階段調適樹群模型(方法二)分級結果彙整(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD樹群) 183 圖 4.77 多階段調適樹群模型(方法二)與臨床人員分級結果交叉分析(乳房腫瘤案例、B-Mode屬性+EI屬性、Multi-Layer FLD分類樹) 183 圖 4.78 訓練樣本五組交互驗證結果(甲狀腺腫瘤案例、CART樹群) 199 圖 4.79 訓練樣本初步分級結果(甲狀腺腫瘤案例、CART樹群) 199 圖 4.80 樹群二訓練樣本五組交互驗證結果(甲狀腺腫瘤案例、CART樹群) 200 圖 4.81 樹群三訓練樣本五組交互驗證結果(甲狀腺腫瘤案例、CART樹群) 200 圖 4.82 樹群一訓練樣本驗證結果(甲狀腺腫瘤案例、CART樹群) 202 圖 4.83 樹群二訓練樣本驗證結果(甲狀腺腫瘤案例、CART樹群) 202 圖 4.84 樹群三訓練樣本驗證結果(甲狀腺腫瘤案例、CART樹群) 203 圖 4.85 樹群一獨立測試樣本驗證結果(甲狀腺腫瘤案例、CART樹群) 204 圖 4.86 樹群二獨立測試樣本驗證結果(甲狀腺腫瘤案例、CART樹群) 205 圖 4.87 樹群三獨立測試樣本驗證結果(合併前)(甲狀腺腫瘤案例、CART樹群) 205 圖 4.88 樹群三獨立測試樣本驗證結果(合併後)(甲狀腺腫瘤案例、CART樹群) 206 圖 4.89 多階段調適樹群模型分級結果彙整(甲狀腺腫瘤案例、CART樹群) 206 圖 4.90 訓練樣本五組交互驗證結果(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 214 圖 4.91 訓練樣本初步分級結果(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 214 圖 4.92 樹群二訓練樣本五組交互驗證結果(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 215 圖 4.93 樹群三訓練樣本五組交互驗證結果(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 215 圖 4.94 樹群一訓練樣本驗證結果(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 217 圖 4.95 樹群二訓練樣本驗證結果(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 217 圖 4.96 樹群三訓練樣本驗證結果(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 218 圖 4.97 樹群一獨立測試樣本驗證結果(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 219 圖 4.98 樹群二獨立測試樣本驗證結果(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 220 圖 4.99 樹群三獨立測試樣本驗證結果(合併前)(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 220 圖 4.100 樹群三獨立測試樣本驗證結果(合併後)(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 221 圖 4.101 多階段調適樹群模型分級結果彙整(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 221 表目錄 表 1.1 BI-RADS級別與惡性機率對照表 2 表 2.1 TI-RADS級別與惡性機率對照表(一) 5 表 2.2 TI-RADS級別與惡性機率對照表(二) 5 表 2.3 BI-RADS/TI-RADS級別代碼對照表 6 表 3.1 TI-RADS惡性機率組上限與組中點 19 表 3.2 BI-RADS惡性機率組上限與組中點 24 表 3.3 TI-RADS惡性機率組上限與組中點 36 表 3.4 分類樹結構摘要範例 44 表 3.5 個別案例摘要結果範例 46 表 3.6 分級級別摘要結果範例 47 表 4.1 模型摘要:樹群一結構摘要(乳房腫瘤案例、模型建構方法一、B-mode屬性、CART樹群) 60 表 4.2 模型摘要:樹群二結構摘要(乳房腫瘤案例、模型建構方法一、B-mode屬性、CART樹群) 61 表 4.3 模型摘要:樹群三結構摘要(乳房腫瘤案例、模型建構方法一、B-mode屬性、CART樹群) 62 表 4.4 模型摘要:不分階段之結構摘要彙整(乳房腫瘤案例、模型建構方法一、B-mode屬性、CART樹群) 63 表 4.5 模型摘要:BI-RADS3(模型建構方法一、B-mode屬性、CART樹群) 64 表 4.6 模型摘要:BI-RADS4.1(模型建構方法一、B-mode屬性、CART樹群) 65 表 4.7 模型摘要:BI-RADS4.2(模型建構方法一、B-mode屬性、CART樹群) 66 表 4.8 模型摘要:BI-RADS4.3(模型建構方法一、B-mode屬性、CART樹群) 67 表 4.9 模型摘要:BI-RADS5(模型建構方法一、B-mode屬性、CART樹群) 68 表 4.10 模型摘要:樹群一結構摘要(乳房腫瘤案例、模型建構方法二、B-mode屬性、CART樹群) 73 表 4.11 模型摘要:樹群二結構摘要(乳房腫瘤案例、模型建構方法二、B-mode屬性、CART樹群) 74 表 4.12 模型摘要:樹群三結構摘要(乳房腫瘤案例、模型建構方法二、B-mode屬性、CART樹群) 75 表 4.13 模型摘要:不分階段之結構摘要彙整(乳房腫瘤案例、模型建構方法二、B-mode屬性、CART樹群) 76 表 4.14 模型摘要:BI-RADS3(模型建構方法二、B-mode屬性、CART樹群) 77 表 4.15 模型摘要:BI-RADS4.1(模型建構方法二、B-mode屬性、CART樹群) 78 表 4.16 模型摘要:BI-RADS4.2(模型建構方法二、B-mode屬性、CART樹群) 79 表 4.17 模型摘要:BI-RADS4.3(模型建構方法二、B-mode屬性、CART樹群) 80 表 4.18 模型摘要:BI-RADS5(模型建構方法二、B-mode屬性、CART樹群) 81 表 4.19 模型摘要:樹群一結構摘要(乳房腫瘤案例、模型建構方法一、B-mode屬性、Multi-LayerFLD樹群) 92 表 4.20 模型摘要:樹群二結構摘要(乳房腫瘤案例、模型建構方法一、B-mode屬性、Multi-LayerFLD樹群) 93 表 4.21 模型摘要:樹群三結構摘要(乳房腫瘤案例、模型建構方法一、B-mode屬性、Multi-LayerFLD樹群) 94 表 4.22 模型摘要:不分階段之結構摘要彙整(乳房腫瘤案例、模型建構方法一、B-mode屬性、Multi-Layer FLD樹群) 95 表 4.23 模型摘要:BI-RADS3(模型建構方法一、B-mode屬性、Multi-Layer FLD樹群) 97 表 4.24 模型摘要:BI-RADS4.1(模型建構方法一、B-mode屬性、Multi-Layer FLD樹群) 99 表 4.25 模型摘要:BI-RADS4.2(模型建構方法一、B-mode屬性、Multi-Layer FLD樹群) 101 表 4.26 模型摘要:BI-RADS4.3(模型建構方法一、B-mode屬性、Multi-Layer FLD樹群) 103 表 4.27 模型摘要:BI-RADS5(模型建構方法一、B-mode屬性、Multi-Layer FLD樹群) 105 表 4.28 模型摘要:樹群一結構摘要(乳房腫瘤案例、模型建構方法二、B-mode屬性、Multi-Layer FLD樹群) 110 表 4.29 模型摘要:樹群二結構摘要(乳房腫瘤案例、模型建構方法二、B-mode屬性、Multi-Layer FLD樹群) 111 表 4.30 模型摘要:樹群三結構摘要(乳房腫瘤案例、模型建構方法二、B-mode屬性、Multi-Layer FLD樹群) 112 表 4.31 模型摘要:不分階段之結構摘要彙整(乳房腫瘤案例、模型建構方法二、B-mode屬性、Multi-Layer FLD樹群) 113 表 4.32 模型摘要:BI-RADS3(模型建構方法二、B-mode屬性、Multi-Layer FLD樹群) 115 表 4.33 模型摘要:BI-RADS4.1(模型建構方法二、B-mode屬性、Multi-Layer FLD樹群) 117 表 4.34 模型摘要:BI-RADS4.2(模型建構方法二、B-mode屬性、Multi-Layer FLD樹群) 119 表 4.35 模型摘要:BI-RADS4.3(模型建構方法二、B-mode屬性、Multi-Layer FLD樹群) 121 表 4.36 模型摘要:BI-RADS5(模型建構方法二、B-mode屬性、Multi-Layer FLD樹群) 123 表 4.37 模型摘要:樹群一結構摘要(乳房腫瘤案例、模型建構方法一、B-mode屬性+ EI屬性、CART樹群) 134 表 4.38 模型摘要:樹群二結構摘要(乳房腫瘤案例、模型建構方法一、B-mode屬性+ EI屬性、CART樹群) 135 表 4.39 模型摘要:樹群三結構摘要(乳房腫瘤案例、模型建構方法一、B-mode屬性+ EI屬性、CART樹群) 136 表 4.40 模型摘要:不分階段之結構摘要彙整(乳房腫瘤案例、模型建構方法一、B-mode屬性 + EI屬性、CART樹群) 137 表 4.41 模型摘要:BI-RADS3(模型建構方法一、B-mode屬性+EI屬性、CART樹群) 138 表 4.42 模型摘要:BI-RADS4.1(模型建構方法一、B-mode屬性+EI屬性、CART樹群) 139 表 4.43 模型摘要:BI-RADS4.2(模型建構方法一、B-mode屬性+EI屬性、CART樹群) 140 表 4.44 模型摘要:BI-RADS4.3(模型建構方法一、B-mode屬性+EI屬性、CART樹群) 141 表 4.45 模型摘要:BI-RADS5(模型建構方法一、B-mode屬性+EI屬性、CART樹群) 142 表 4.46 模型摘要:樹群一結構摘要(乳房腫瘤案例、模型建構方法二、B-mode屬性+ EI屬性、CART樹群) 147 表 4.47 模型摘要:樹群二結構摘要(乳房腫瘤案例、模型建構方法二、B-mode屬性+ EI屬性、CART樹群) 148 表 4.48 模型摘要:樹群三結構摘要(乳房腫瘤案例、模型建構方法二、B-mode屬性+ EI屬性、CART樹群) 149 表 4.49 模型摘要:不分階段之結構摘要彙整(乳房腫瘤案例、模型建構方法二、B-mode屬性 + EI屬性、CART樹群) 150 表 4.50 模型摘要:BI-RADS3(模型建構方法二、B-mode屬性+EI屬性、CART樹群) 151 表 4.51 模型摘要:BI-RADS4.1(模型建構方法二、B-mode屬性+EI屬性、CART樹群) 152 表 4.52 模型摘要:BI-RADS4.2(模型建構方法二、B-mode屬性+EI屬性、CART樹群) 153 表 4.53 模型摘要:BI-RADS4.3(模型建構方法二、B-mode屬性+EI屬性、CART樹群) 154 表 4.54 模型摘要:BI-RADS5(模型建構方法二、B-mode屬性+EI屬性、CART樹群) 155 表 4.55 模型摘要:樹群一結構摘要(乳房腫瘤案例、模型建構方法一、B-mode屬性+ EI屬性、Multi-Layer FLD樹群) 166 表 4.56 模型摘要:樹群二結構摘要(乳房腫瘤案例、模型建構方法一、B-mode屬性+ EI屬性、Multi-Layer FLD樹群) 167 表 4.57 模型摘要:樹群三結構摘要(乳房腫瘤案例、模型建構方法一、B-mode屬性+ EI屬性、Multi-Layer FLD樹群) 168 表 4.58 模型摘要:不分階段之結構摘要彙整(乳房腫瘤案例、模型建構方法一、B-mode屬性 + EI屬性、Multi-Layer FLD樹群) 169 表 4.59 模型摘要:BI-RADS3(模型建構方法一、B-mode屬性+EI屬性、Multi-Layer FLD樹群) 171 表 4.60 模型摘要:BI-RADS4.1(模型建構方法一、B-mode屬性+EI屬性、Multi-Layer FLD樹群) 173 表 4.61 模型摘要:BI-RADS4.2(模型建構方法一、B-mode屬性+EI屬性、Multi-Layer FLD樹群) 175 表 4.62 模型摘要:BI-RADS4.3(模型建構方法一、B-mode屬性+EI屬性、Multi-Layer FLD樹群) 177 表 4.63 模型摘要:BI-RADS5(模型建構方法一、B-mode屬性+EI屬性、Multi-Layer FLD樹群) 179 表 4.64 模型摘要:樹群一結構摘要(乳房腫瘤案例、模型建構方法二、B-mode屬性+ EI屬性、Multi-Layer FLD樹群) 184 表 4.65 模型摘要:樹群二結構摘要(乳房腫瘤案例、模型建構方法二、B-mode屬性+ EI屬性、Multi-Layer FLD樹群) 185 表 4.66 模型摘要:樹群三結構摘要(乳房腫瘤案例、模型建構方法二、B-mode屬性+ EI屬性、Multi-Layer FLD樹群) 186 表 4.67 模型摘要:不分階段之結構摘要彙整(乳房腫瘤案例、模型建構方法二、B-mode屬性 + EI屬性、Multi-Layer FLD樹群) 187 表 4.68 模型摘要:BI-RADS3(模型建構方法二、B-mode屬性+EI屬性、Multi-Layer FLD樹群) 189 表 4.69 模型摘要:BI-RADS4.1(模型建構方法二、B-mode屬性+EI屬性、Multi-Layer FLD樹群) 191 表 4.70 模型摘要:BI-RADS4.2(模型建構方法二、B-mode屬性+EI屬性、Multi-Layer FLD樹群) 193 表 4.71 模型摘要:BI-RADS4.3(模型建構方法二、B-mode屬性+EI屬性、Multi-Layer FLD樹群) 195 表 4.72 模型摘要:BI-RADS5(模型建構方法二、B-mode屬性+EI屬性、Multi-Layer FLD樹群) 197 表 4.73 模型摘要:樹群一結構摘要(甲狀腺腫瘤案例、CART樹群) 207 表 4.74 模型摘要:樹群二結構摘要(甲狀腺腫瘤案例、CART樹群) 208 表 4.75 模型摘要:樹群三結構摘要(甲狀腺腫瘤案例、CART樹群) 209 表 4.76 模型摘要:不分階段之結構摘要彙整(甲狀腺腫瘤案例、CART樹群) 210 表 4.77 模型摘要:TI-RADS3(CART樹群) 211 表 4.78 模型摘要:TI-RADS4.1(CART樹群) 211 表 4.79 模型摘要:TI-RADS4.2(CART樹群) 212 表 4.80 模型摘要:TI-RADS4.3(CART樹群) 212 表 4.81 模型摘要:TI-RADS5(CART樹群) 213 表 4.82 模型摘要:樹群一結構摘要(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 222 表 4.83 模型摘要:樹群二結構摘要(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 223 表 4.84 模型摘要:樹群三結構摘要(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 224 表 4.85 模型摘要:不分階段之結構摘要彙整(甲狀腺腫瘤案例、Multi-Layer FLD樹群) 225 表 4.86 模型摘要:TI-RADS3(Multi-Layer FLD樹群) 226 表 4.87 模型摘要:TI-RADS4.1(Multi-Layer FLD樹群) 227 表 4.88 模型摘要:TI-RADS4.2(Multi-Layer FLD樹群) 228 表 4.89 模型摘要:TI-RADS4.3(Multi-Layer FLD樹群) 229 表 4.90 模型摘要:TI-RADS5(Multi-Layer FLD樹群) 230 | |
dc.language.iso | zh-TW | |
dc.title | 多階段調適樹群模型建構方法及其於腫瘤分級之應用 | zh_TW |
dc.title | Adaptive Multi-phase Ensemble Modeling for Nodule Classification | en |
dc.type | Thesis | |
dc.date.schoolyear | 100-2 | |
dc.description.degree | 碩士 | |
dc.contributor.oralexamcommittee | 陳炯年,郭文宏,何明志 | |
dc.subject.keyword | 分類樹群,BI-RADS,TI-RADS, | zh_TW |
dc.subject.keyword | Ensemble,BI-RADS,TI-RADS, | en |
dc.relation.page | 234 | |
dc.rights.note | 有償授權 | |
dc.date.accepted | 2012-07-24 | |
dc.contributor.author-college | 工學院 | zh_TW |
dc.contributor.author-dept | 工業工程學研究所 | zh_TW |
顯示於系所單位: | 工業工程學研究所 |
文件中的檔案:
檔案 | 大小 | 格式 | |
---|---|---|---|
ntu-101-1.pdf 目前未授權公開取用 | 2.63 MB | Adobe PDF |
系統中的文件,除了特別指名其著作權條款之外,均受到著作權保護,並且保留所有的權利。