| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 问题提出与研究意义 | 第13-15页 |
| 1.2 影像遗传学研究现状分析 | 第15-17页 |
| 1.2.1 传统单变量方法 | 第15-16页 |
| 1.2.2 基于机器学习的多变量方法 | 第16-17页 |
| 1.3 本文的主要研究思路及内容安排 | 第17-19页 |
| 第二章 相关背景知识 | 第19-26页 |
| 2.1 引言 | 第19页 |
| 2.2 特征选择与稀疏学习 | 第19-21页 |
| 2.3 多模态、多任务学习 | 第21-22页 |
| 2.4 典型相关分析 | 第22-25页 |
| 2.4.1 典型相关分析问题描述 | 第22-23页 |
| 2.4.2 典型相关分析问题求解 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于结构和功能的多模态脑影像与基因变异的关联研究 | 第26-36页 |
| 3.1 算法框架 | 第27-30页 |
| 3.1.1 数据预处理方法 | 第27-28页 |
| 3.1.2 基于弹性网络的脑影像特征选择 | 第28-29页 |
| 3.1.3 多核支持向量回归机 | 第29-30页 |
| 3.2 实验 | 第30-31页 |
| 3.2.1 数据集 | 第30-31页 |
| 3.2.2 实验设置 | 第31页 |
| 3.3 实验结果及分析 | 第31-35页 |
| 3.3.1 实验结果比较 | 第31-32页 |
| 3.3.2 最有关联的脑区分析 | 第32-34页 |
| 3.3.3 连接性分析 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章 基于超网络的基因和脑影像关联分析及其应用 | 第36-47页 |
| 4.1 算法框架 | 第37-41页 |
| 4.1.1 数据预处理 | 第37页 |
| 4.1.2 超网络构建 | 第37-39页 |
| 4.1.3 基于超网络的稀疏多任务典型相关分析模型 | 第39-40页 |
| 4.1.4 模型优化求解方法 | 第40-41页 |
| 4.2 实验 | 第41-42页 |
| 4.2.1 数据集 | 第41-42页 |
| 4.2.2 实验设置 | 第42页 |
| 4.3 实验结果及分析 | 第42-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 本文工作总结 | 第47-48页 |
| 5.2 未来工作展望 | 第48-49页 |
| 参考文献 | 第49-62页 |
| 致谢 | 第62-63页 |
| 在学期间的研究成果及发表的学术论文 | 第63页 |