基于深度学习的阿兹海默症基因表达模式识别与样本分类
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 阿兹海默症 | 第10-14页 |
| 1.1.1 阿兹海默症与轻度认知障碍 | 第10页 |
| 1.1.2 阿兹海默症发病机制 | 第10-11页 |
| 1.1.3 AD与MCI检测标记物 | 第11-14页 |
| 1.2 基因表达模式挖掘 | 第14-15页 |
| 1.3 深度学习 | 第15-16页 |
| 1.4 论文主要工作 | 第16-18页 |
| 1.4.1 课题目的和研究内容 | 第16页 |
| 1.4.2 研究意义 | 第16页 |
| 1.4.3 论文组织 | 第16-18页 |
| 第二章 基于堆叠去噪自编码器的阿兹海默症分类 | 第18-28页 |
| 2.1 算法原理 | 第18-23页 |
| 2.1.1 堆叠去噪自编码器 | 第18-20页 |
| 2.1.2 支持向量机 | 第20-21页 |
| 2.1.3 主成分分析 | 第21-22页 |
| 2.1.4 差异表达分析 | 第22页 |
| 2.1.5 分类评价指标 | 第22-23页 |
| 2.2 数据与方法 | 第23-25页 |
| 2.2.1 数据 | 第23页 |
| 2.2.2 方法 | 第23-25页 |
| 2.3 结果与讨论 | 第25-27页 |
| 2.3.1 SDAE构建 | 第25-26页 |
| 2.3.2 AD分类 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 特征分析 | 第28-42页 |
| 3.1 特征选择原理 | 第28-29页 |
| 3.2 特征分析流程 | 第29-31页 |
| 3.2.1 高贡献节点选取 | 第29-30页 |
| 3.2.2 高权重探针选取 | 第30页 |
| 3.2.3 分类特征节点构建 | 第30-31页 |
| 3.3 结果与讨论 | 第31-38页 |
| 3.3.1 高贡献节点 | 第31页 |
| 3.3.2 高权重探针 | 第31-36页 |
| 3.3.3 分类特征节点 | 第36-38页 |
| 3.4 验证特征节点分类性能 | 第38-40页 |
| 3.4.1 数据 | 第38-39页 |
| 3.4.2 方法 | 第39页 |
| 3.4.3 结果与讨论 | 第39-40页 |
| 3.5 本章小结 | 第40-42页 |
| 第四章 基于堆叠去噪自编码器的MCI转化预测模型 | 第42-52页 |
| 4.1 MCI转化预测研究进展 | 第42页 |
| 4.2 基于SDAE的MCI转化预测模型 | 第42-44页 |
| 4.2.1 数据 | 第42-43页 |
| 4.2.2 方法 | 第43页 |
| 4.2.3 结果与讨论 | 第43-44页 |
| 4.3 特征分析 | 第44-51页 |
| 4.3.1 方法 | 第44-45页 |
| 4.3.2 结果与讨论 | 第45-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 论文总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 第六章 致谢 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 作者简介 | 第60页 |
