| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 缩略语 | 第17-21页 |
| 第1章 引言 | 第21-47页 |
| 1.1 研究意义 | 第21-23页 |
| 1.2 研究内容 | 第23-27页 |
| 1.3 国内外研究现状与存在问题 | 第27-31页 |
| 1.4 成像技术 | 第31-43页 |
| 1.4.1 X线成像 | 第32-34页 |
| 1.4.2 超声成像 | 第34页 |
| 1.4.3 计算机断层扫描 | 第34-36页 |
| 1.4.4 核医学成像 | 第36-37页 |
| 1.4.5 核磁共振成像 | 第37-39页 |
| 1.4.6 显微镜成像 | 第39-43页 |
| 1.4.6.1 光学显微镜 | 第40-41页 |
| 1.4.6.2 电子显微镜 | 第41-42页 |
| 1.4.6.3 扫描探针显微镜 | 第42页 |
| 1.4.6.4 共聚焦激光扫描显微镜 | 第42-43页 |
| 1.5 本文贡献 | 第43-44页 |
| 1.6 文章结构 | 第44-47页 |
| 第2章 基于前向神经网络的多类病脑图像检测算法 | 第47-71页 |
| 2.1 病脑检测背景介绍 | 第47-48页 |
| 2.2 多类病脑图像检测算法 | 第48-60页 |
| 2.2.1 离散小波变换 | 第48-51页 |
| 2.2.1.1 1/ε离散小波变换 | 第49-50页 |
| 2.2.1.2 平稳小波变换 | 第50-51页 |
| 2.2.2 特征压缩 | 第51页 |
| 2.2.3 前向神经网络 | 第51-53页 |
| 2.2.4 优化方法 | 第53-58页 |
| 2.2.4.1 粒子群优化 | 第53-54页 |
| 2.2.4.2 人工蜂群 | 第54-56页 |
| 2.2.4.3 算法Ⅰ—集成人工蜂群与粒子群优化 | 第56-57页 |
| 2.2.4.4 算法Ⅱ—人工蜂群与标准粒子群优化 | 第57-58页 |
| 2.2.4.5 算法Ⅲ—混合粒子群优化和人工蜂群 | 第58页 |
| 2.2.5 算法框架 | 第58-60页 |
| 2.3 数据与实验参数 | 第60-62页 |
| 2.3.1 基准数据集 | 第60-61页 |
| 2.3.2 K折交叉验证 | 第61-62页 |
| 2.3.3 实验设计 | 第62页 |
| 2.4 实验结果 | 第62-67页 |
| 2.4.1 特征说明 | 第62-64页 |
| 2.4.2 特征压缩 | 第64页 |
| 2.4.3 分类性能比较 | 第64-66页 |
| 2.4.4 时间分析 | 第66-67页 |
| 2.5 讨论 | 第67-69页 |
| 2.5.1 结果讨论 | 第67-68页 |
| 2.5.2 方法讨论 | 第68页 |
| 2.5.3 本章贡献 | 第68-69页 |
| 2.6 本章小结 | 第69-71页 |
| 第3章 基于分数阶傅里叶变换的听力损失病脑图像分析 | 第71-95页 |
| 3.1 背景介绍 | 第71-72页 |
| 3.2 病例数据搜集 | 第72页 |
| 3.3 听力测试 | 第72-73页 |
| 3.4 成像与预处理 | 第73-76页 |
| 3.4.1 成像系统 | 第73-74页 |
| 3.4.2 脑提取工具 | 第74-75页 |
| 3.4.3 空间配准 | 第75-76页 |
| 3.4.4 平滑 | 第76页 |
| 3.4.5 切片选择 | 第76页 |
| 3.5 算法流程 | 第76-86页 |
| 3.5.1 分数阶傅里叶变换 | 第77-82页 |
| 3.5.1.1 数学模型 | 第77-78页 |
| 3.5.1.2 一维sin函数的分数阶傅里叶变换 | 第78页 |
| 3.5.1.3 二维空频域的旋转角选择 | 第78-80页 |
| 3.5.1.4 主成分分析算法 | 第80-81页 |
| 3.5.1.5 几何意义 | 第81-82页 |
| 3.5.2 单隐层前向神经网络 | 第82-85页 |
| 3.5.2.1 训练方式 | 第82-83页 |
| 3.5.2.2 Levenberg-Marquardt算法 | 第83-84页 |
| 3.5.2.3 提前终止 | 第84-85页 |
| 3.5.3 交叉验证 | 第85-86页 |
| 3.5.3.1 留p交叉验证 | 第85页 |
| 3.5.3.2 留一交叉验证 | 第85页 |
| 3.5.3.3 K折交叉验证 | 第85-86页 |
| 3.6 衡量指标 | 第86-87页 |
| 3.7 结果和讨论 | 第87-92页 |
| 3.7.1 联合空频域 | 第87-88页 |
| 3.7.2 主成分分析的阈值设置 | 第88-89页 |
| 3.7.3 统计分析 | 第89-90页 |
| 3.7.4 听力损失检测算法比较 | 第90-92页 |
| 3.7.5 与手动检测比较 | 第92页 |
| 3.8 本章小结 | 第92-95页 |
| 第4章 脑神经元树突棘图像分析算法及比较 | 第95-137页 |
| 4.1 背景介绍 | 第95-97页 |
| 4.2 脑神经元成像 | 第97页 |
| 4.3 基于正则化的形态共享权值神经网络(SRMSNN) | 第97-109页 |
| 4.3.1 数据集的建立 | 第98-99页 |
| 4.3.2 图像预处理 | 第99-100页 |
| 4.3.3 主线操作 | 第100-101页 |
| 4.3.4 基于对称分析的骨架提取 | 第101-103页 |
| 4.3.5 基于亮度变化的边缘定位 | 第103-104页 |
| 4.3.6 基本形态学操作 | 第104-105页 |
| 4.3.7 形态共享权值神经网络 | 第105-108页 |
| 4.3.8 改进—正则化MSNN | 第108-109页 |
| 4.4 SRMSNN—评估 | 第109-118页 |
| 4.4.1 实验设计 | 第109-110页 |
| 4.4.2 实验结果 | 第110-118页 |
| 4.4.2.1 树突棘提取 | 第110-111页 |
| 4.4.2.2 边缘定位 | 第111-112页 |
| 4.4.2.3 树突棘分析 | 第112-115页 |
| 4.4.2.4 结构元素的优化 | 第115-116页 |
| 4.4.2.5 算法比较 | 第116-118页 |
| 4.5 HMITSVM—基于脊检测与孪生支持向量机的神经元图像分析 | 第118-125页 |
| 4.5.1 图像预处理 | 第119页 |
| 4.5.2 基于脊检测的骨架提取 | 第119-121页 |
| 4.5.3 基于Hu不变矩的特征提取 | 第121-123页 |
| 4.5.4 基于孪生支持向量机的树突棘分类 | 第123-125页 |
| 4.6 HMITSVM—评估 | 第125-133页 |
| 4.6.1 骨架提取与边缘定位 | 第125-127页 |
| 4.6.2 树突棘分析 | 第127-130页 |
| 4.6.3 性能比较 | 第130-132页 |
| 4.6.4 分类结果比较 | 第132-133页 |
| 4.7 SRMSNN与HMITSVM的比较 | 第133-134页 |
| 4.8 本章小结 | 第134-137页 |
| 第5章 结论与展望 | 第137-141页 |
| 5.1 结论 | 第137-138页 |
| 5.2 研究展望 | 第138-141页 |
| 致谢 | 第141-142页 |
| 发表成果 | 第142-144页 |
| 基金项目 | 第144-145页 |
| 参考文献 | 第145-155页 |
