| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 老年认知障碍的研究现状 | 第11-19页 |
| 1.2.1 老年认知障碍的生物学特征 | 第11-15页 |
| 1.2.2 早期检测和转化风险评估 | 第15-19页 |
| 1.3 本文的主要工作 | 第19页 |
| 1.4 本文的组织和结构 | 第19-20页 |
| 第二章 脑结构特征分析 | 第20-36页 |
| 2.1 大脑结构特征 | 第20-21页 |
| 2.1.1 脑皮层特征 | 第20页 |
| 2.1.2 海马子区特征 | 第20-21页 |
| 2.2 研究对象和数据 | 第21-23页 |
| 2.2.1 数据来源和研究对象 | 第21-22页 |
| 2.2.2 MR影像采集参数 | 第22-23页 |
| 2.3 脑结构特征分析方法 | 第23-26页 |
| 2.3.1 MR影像预处理 | 第23页 |
| 2.3.2 脑结构特征计算 | 第23-24页 |
| 2.3.3 统计分析 | 第24-26页 |
| 2.4 脑结构特征的统计分析结果 | 第26-32页 |
| 2.4.1 基线期脑结构特征差异分析 | 第26-29页 |
| 2.4.2 纵向脑结构特征变化分析 | 第29-31页 |
| 2.4.3 脑结构特征与临床认知评分相关性分析 | 第31-32页 |
| 2.5 结果讨论 | 第32-34页 |
| 2.6 本章小结 | 第34-36页 |
| 第三章 基于支持向量机的轻度认知障碍分类 | 第36-47页 |
| 3.1 支持向量机 | 第36-37页 |
| 3.2 特征选择方法 | 第37-39页 |
| 3.2.1 双样本T检验 | 第38页 |
| 3.2.2 稀疏约束 | 第38-39页 |
| 3.2.3 递归特征消去法 | 第39页 |
| 3.3 模型评价指标 | 第39-40页 |
| 3.4 脑结构特征的分类识别结果 | 第40-44页 |
| 3.4.1 脑皮层特征分类结果 | 第40-41页 |
| 3.4.2 海马亚区体素分类结果 | 第41-42页 |
| 3.4.3 重要的脑皮层特征和脑区分布 | 第42-44页 |
| 3.5 结果讨论 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 基于卷积神经网络的轻度认知障碍分类与转化预测 | 第47-56页 |
| 4.1 深度学习概述 | 第47-50页 |
| 4.1.1 深度学习与卷积神经网络 | 第47-49页 |
| 4.1.2 CaffeNet | 第49页 |
| 4.1.3 GoogleNet | 第49-50页 |
| 4.2 迁移学习 | 第50-51页 |
| 4.3 图像预处理 | 第51-52页 |
| 4.4 研究结果 | 第52-53页 |
| 4.4.1 分类结果 | 第52-53页 |
| 4.4.2 转化时间预测结果 | 第53页 |
| 4.5 结果讨论 | 第53-54页 |
| 4.6 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-61页 |
| 5.1 总结 | 第56-59页 |
| 5.2 展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 攻读硕士学位期间取得的研究成果 | 第67-69页 |
| 致谢 | 第69-71页 |
| 附录 | 第71页 |