基于集成学习的多模态AD辅助诊断模型研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-20页 |
| ·研究背景及意义 | 第10-11页 |
| ·国内外研究现状 | 第11-15页 |
| ·多模态脑成像技术在AD诊断中的应用 | 第11-14页 |
| ·集成学习方法在AD分类中的应用 | 第14-15页 |
| ·主要研究内容 | 第15-17页 |
| ·本文的结构安排 | 第17-18页 |
| ·本章小结 | 第18-20页 |
| 第二章 多模态影像数据 | 第20-24页 |
| ·脑影像数据分类基本流程 | 第20-21页 |
| ·多模态脑影像 | 第21-23页 |
| ·结构磁共振成像 | 第21页 |
| ·正电子发射断层扫描 | 第21-22页 |
| ·弥散张量成像 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 研究方案基础理论 | 第24-40页 |
| ·主成分分析 | 第24-25页 |
| ·分类算法基础理论 | 第25-34页 |
| ·Fisher线性判别分析 | 第25-27页 |
| ·朴素贝叶斯分类器 | 第27-28页 |
| ·BP神经网络分类器 | 第28-30页 |
| ·支持向量机分类器 | 第30-33页 |
| ·Adaboost分类器 | 第33-34页 |
| ·分类器集成 | 第34-38页 |
| ·分类器集成的概念 | 第34-36页 |
| ·基分类器的构建 | 第36-37页 |
| ·集成策略 | 第37-38页 |
| ·本章小结 | 第38-40页 |
| 第四章 多模态数据预处理及特征提取 | 第40-52页 |
| ·实验数据 | 第40-42页 |
| ·ADNI数据集 | 第40-41页 |
| ·入组被试信息 | 第41-42页 |
| ·数据预处理 | 第42-47页 |
| ·MRI数据预处理 | 第42-44页 |
| ·FDG-PET数据预处理 | 第44-45页 |
| ·DTI数据预处理 | 第45-47页 |
| ·特征提取及特征选择 | 第47-50页 |
| ·基于AAL模板的特征提取 | 第47页 |
| ·基于显著性分析的特征提取 | 第47-50页 |
| ·本章小结 | 第50-52页 |
| 第五章 PCA-FLDA分类模型的构建 | 第52-62页 |
| ·多分类器投票集成分类器 | 第52-53页 |
| ·PCA-FLDA集成分类模型 | 第53-54页 |
| ·基分类器的生成 | 第53页 |
| ·PCA-FLDA集成分类模型 | 第53-54页 |
| ·分类实验结果与讨论 | 第54-60页 |
| ·全脑特征与差异显著脑区特征分类结果 | 第54-56页 |
| ·单模态特征与多模态特征分类结果 | 第56-58页 |
| ·PCA-FLDA与其他分类器分类结果对比 | 第58-60页 |
| ·本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-66页 |
| ·总结 | 第62-63页 |
| ·展望 | 第63-66页 |
| 参考文献 | 第66-72页 |
| 附录 1 | 第72-74页 |
| 致谢 | 第74-76页 |
| 攻读硕士学位期间发表论文 | 第76页 |
