| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题研究背景及来源 | 第8页 |
| 1.2 阿尔茨海默病的初期诊断 | 第8-9页 |
| 1.3 神经成像技术 | 第9-11页 |
| 1.3.1 MR 成像技术 | 第10页 |
| 1.3.2 PET 成像技术 | 第10-11页 |
| 1.4 国内外研究现状 | 第11页 |
| 1.5 本文所完成的工作与内容安排 | 第11-13页 |
| 2 图像预处理 | 第13-21页 |
| 2.1 图像校正 | 第13-14页 |
| 2.1.1 部分容积效应校正 | 第13-14页 |
| 2.2 图像配准 | 第14-15页 |
| 2.3 脑部图像模板与标准化 | 第15-17页 |
| 2.3.1 神经图像坐标空间 | 第15-16页 |
| 2.3.2 脑区图集与模板 | 第16-17页 |
| 2.3.3 空间标准化 | 第17页 |
| 2.4 图像滤波 | 第17-18页 |
| 2.5 数据降维 | 第18页 |
| 2.6 SPM 统计参数图 | 第18-20页 |
| 2.6.1 VBM 算法 | 第19-20页 |
| 2.6.2 DARTEL 算法 | 第20页 |
| 2.7 本章小结 | 第20-21页 |
| 3 ICA 算法 | 第21-30页 |
| 3.1 概述 | 第21-22页 |
| 3.2 ICA 的理论基础 | 第22-23页 |
| 3.2.1 ICA 的数学模型 | 第22页 |
| 3.2.2 ICA 的约束 | 第22-23页 |
| 3.3 ICA 估计方法 | 第23-26页 |
| 3.3.1 非高斯的最大化 | 第23-25页 |
| 3.3.2 极大似然估计 | 第25页 |
| 3.3.3 互信息的最小化 | 第25-26页 |
| 3.4 ICA 预处理 | 第26页 |
| 3.4.1 信号的中心化 | 第26页 |
| 3.4.2 信号的白化 | 第26页 |
| 3.5 ICA 的优化算法 | 第26-29页 |
| 3.5.1 Infomax 算法 | 第27-28页 |
| 3.5.2 Fast ICA 算法 | 第28-29页 |
| 3.5.3 联合逼近对角化特征矩阵(JADE)算法 | 第29页 |
| 3.6 本章小结 | 第29-30页 |
| 4 Joint ICA 算法应用于多模态图像联合分析 | 第30-52页 |
| 4.1 研究背景与相关统计学方法 | 第30-32页 |
| 4.1.1 研究背景 | 第30页 |
| 4.1.2 统计学方法 | 第30-32页 |
| 4.2 图像采集 | 第32-33页 |
| 4.3 图像预处理 | 第33-37页 |
| 4.3.1 MRI 图像的预处理 | 第33-35页 |
| 4.3.2 FDG-PET 图像的预处理 | 第35-36页 |
| 4.3.3 变化率图像 | 第36-37页 |
| 4.4 基于 joint ICA 的 MRI 与 PDG-PET 联合分析 | 第37-40页 |
| 4.4.1 Joint ICA 算法 | 第37-38页 |
| 4.4.2 Joint ICA 用于联合分析 | 第38-40页 |
| 4.5 实验结果 | 第40-50页 |
| 4.5.1 独立成分分析与组间 t 检验 | 第40-45页 |
| 4.5.2 Joint ICA 算法与传统 ICA 算法的多模态分析结果比较 | 第45-47页 |
| 4.5.3 多模态与单模态的空间离散度比较 | 第47-48页 |
| 4.5.4 个体与组间交叉对比 | 第48-50页 |
| 4.6 讨论分析 | 第50-51页 |
| 4.7 本章小结 | 第51-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 课题总结 | 第52页 |
| 5.2 下一步研究方向 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-61页 |
| 附录 | 第61页 |
| A. 作者在攻读硕士学位期间参与课题及成果 | 第61页 |
