| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 基于MRI脑影像分析的精神分裂症自动诊断 | 第10-12页 |
| 1.2.2 面向视觉任务的深度学习方法及其在脑影像分析中的应用 | 第12-14页 |
| 1.3 本文的研究工作 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第2章 精神分裂症脑功能影像正则化加权最小二乘分类 | 第17-36页 |
| 2.1 引言 | 第17页 |
| 2.2 LSSVM与WLSSVM | 第17-19页 |
| 2.3 优化WLSSVC及其正则化 | 第19-25页 |
| 2.3.1 优化WLSSVC | 第19-20页 |
| 2.3.2 正则化WLSSVC | 第20-21页 |
| 2.3.3 构造正则化函数 | 第21-25页 |
| 2.3.4 rWLSSVC的完整优化算法 | 第25页 |
| 2.4 实验结果与分析 | 第25-35页 |
| 2.4.1 人工数据集分类实验 | 第26-30页 |
| 2.4.2 UCI数据集分类实验 | 第30-32页 |
| 2.4.3 COBRE精神分裂症fMRI影像数据集分类实验 | 第32-35页 |
| 2.4.3.1 数据描述与预处理 | 第32-33页 |
| 2.4.3.2 分类实验 | 第33-34页 |
| 2.4.3.3 鉴别功能网络连接发现 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 精神分裂症脑功能影像深度自编码网络分类 | 第36-47页 |
| 3.1 引言 | 第36页 |
| 3.2 深度栈式自编码网络模型 | 第36-38页 |
| 3.3 深度非负监督自编码网络模型 | 第38-41页 |
| 3.3.1 基于L1范数最小化稀疏表达的选择性输入 | 第38-39页 |
| 3.3.2 自编码网络监督特征生成 | 第39-40页 |
| 3.3.2.1 相关系数与监督特征 | 第39-40页 |
| 3.3.2.2 监督特征优化反向传播 | 第40页 |
| 3.3.3 权重非负约束 | 第40-41页 |
| 3.4 精神分裂症fMRI影像数据集分类实验 | 第41-46页 |
| 3.4.1 基准方法 | 第42页 |
| 3.4.2 实验结果与分析 | 第42-46页 |
| 3.4.2.1 L1稀疏选择实验 | 第42-43页 |
| 3.4.2.2 鉴别特征生成实验 | 第43-44页 |
| 3.4.2.3 非负权重实验 | 第44页 |
| 3.4.2.4 分层鉴别功能网络连接发现 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 精神分裂症脑结构影像深度卷积神经网络分类 | 第47-60页 |
| 4.1 引言 | 第47页 |
| 4.2 深度卷积神经网络模型 | 第47-48页 |
| 4.3 深度卷积神经网络鉴别正交特征生成模型 | 第48-52页 |
| 4.3.1 非负向量的正交稀疏性 | 第48-49页 |
| 4.3.2 卷积网络鉴别正交特征生成损失 | 第49-50页 |
| 4.3.3 鉴别正交特征生成损失反向传播计算 | 第50-51页 |
| 4.3.4 鉴别正交特征损失正则化系数自动调节 | 第51-52页 |
| 4.3.5 随机2类别鉴别正交反向传播 | 第52页 |
| 4.4 实验结果与分析 | 第52-59页 |
| 4.4.1 MNIST数据集分类实验 | 第53-56页 |
| 4.4.2 精神分裂症sMRI影像数据集分类实验 | 第56-59页 |
| 4.5 本章小结 | 第59-60页 |
| 结语 | 第60-62页 |
| 结论 | 第60-61页 |
| 展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间主要研究成果 | 第68-69页 |
| 致谢 | 第69页 |
