摘要 | 第4-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第10-22页 |
1.1 研究背景与意义 | 第10-12页 |
1.2 国内外研究现状 | 第12-20页 |
1.2.1 深度学习在医学图像中的应用进展 | 第12-16页 |
1.2.2 AD病程分类的研究现状 | 第16-20页 |
1.3 本文主要研究内容及章节安排 | 第20-22页 |
第2章 数据集的选择和深度学习平台搭建 | 第22-34页 |
2.1 引言 | 第22-23页 |
2.2 数据集选择 | 第23-27页 |
2.2.1 ADNI数据库简介 | 第23页 |
2.2.2 ADNI各阶段入组标准 | 第23-24页 |
2.2.3 本研究实验数据筛选 | 第24-26页 |
2.2.4 数据预处理 | 第26-27页 |
2.3 深度学习平台的搭建 | 第27-32页 |
2.3.1 CAFFE框架简介 | 第28-29页 |
2.3.2 CAFFE环境的搭建 | 第29-32页 |
2.4 本章小结 | 第32-34页 |
第3章 基于深度卷积网络的AD、LMCI与NC分类研究 | 第34-56页 |
3.1 引言 | 第34-35页 |
3.2 深度卷积网络及AlexNet概述 | 第35-39页 |
3.2.1 深度卷积网络 | 第35-38页 |
3.2.2 AlexNet | 第38-39页 |
3.3 基于AlexNet的特征迁移学习 | 第39-44页 |
3.3.1 基于CAFFE和AlexNet的图像数据处理 | 第39-41页 |
3.3.2 特征提取及可视化 | 第41-44页 |
3.3.3 特征池化降维 | 第44页 |
3.4 基于PCA+SFS的特征降维与选择 | 第44-47页 |
3.4.1 PCA特征降维 | 第45-46页 |
3.4.2 SFS特征选择 | 第46-47页 |
3.5 基于SVM的分类预测模型 | 第47-48页 |
3.6 分类模型结果及分析 | 第48-54页 |
3.6.1 各层AD与NC原始维度分类 | 第48-51页 |
3.6.2 AD、LMCI、NC二分类结果 | 第51-53页 |
3.6.3 三分类结果 | 第53-54页 |
3.7 本章小结 | 第54-56页 |
第4章 MCI转化发展过程的预测研究 | 第56-62页 |
4.1 引言 | 第56-57页 |
4.2 预测与分类模型构建 | 第57-58页 |
4.3 MCI转化预测模型结果及讨论 | 第58-60页 |
4.3.1 MCI转化研究对象概况 | 第58-59页 |
4.3.2 MCI转化预测模型结果 | 第59页 |
4.3.3 MCI转化预测模型讨论 | 第59-60页 |
4.4 EMCI与LMCI分类模型结果及讨论 | 第60-61页 |
4.4.1 EMCI与LMCI分类模型结果 | 第60-61页 |
4.4.2 EMCI与LMCI分类模型讨论 | 第61页 |
4.5 本章小结 | 第61-62页 |
结论与展望 | 第62-64页 |
参考文献 | 第64-72页 |
攻读硕士学位期间发表的学术论文 | 第72-74页 |
致谢 | 第74页 |