| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 引言 | 第12-27页 |
| 1.1 研究背景 | 第12-17页 |
| 1.1.1 人脑神经成像 | 第12-13页 |
| 1.1.2 人脑解剖结构 | 第13-14页 |
| 1.1.3 人脑纤维连接结构 | 第14-16页 |
| 1.1.4 扩散磁共振成像 | 第16-17页 |
| 1.2 国内外研究现状及动态分析 | 第17-24页 |
| 1.2.1 微结构成像技术 | 第17-20页 |
| 1.2.2 纤维成像技术 | 第20-22页 |
| 1.2.3 纤维连接组学研究 | 第22-24页 |
| 1.3 研究内容 | 第24-25页 |
| 1.4 章节组织 | 第25-27页 |
| 第2章 扩散磁共振成像及高角度分辨率纤维成像 | 第27-40页 |
| 2.1 引言 | 第27页 |
| 2.2 组织内水分子的扩散信号 | 第27-28页 |
| 2.3 扩散磁共振成像 | 第28-29页 |
| 2.4 扩散张量成像 | 第29-30页 |
| 2.5 高角度分辨率扩散微结构模型 | 第30-36页 |
| 2.5.1 扩散谱成像 | 第30-31页 |
| 2.5.2 反卷积扩散谱成像 | 第31页 |
| 2.5.3 扩散基函数分解模型 | 第31-32页 |
| 2.5.4 多纤维簇模型 | 第32-33页 |
| 2.5.5 稀疏簇模型 | 第33-35页 |
| 2.5.6 球面反卷积框架 | 第35-36页 |
| 2.6 纤维跟踪成像 | 第36-40页 |
| 2.6.1 流线型跟踪技术 | 第37页 |
| 2.6.2 张量线跟踪技术 | 第37-38页 |
| 2.6.3 贝叶斯概率跟踪法 | 第38页 |
| 2.6.4 无迹卡尔曼滤波跟踪 | 第38-40页 |
| 第3章 基于压缩感知的高阶张量稀疏成像研究 | 第40-52页 |
| 3.1 引言 | 第40页 |
| 3.2 高阶张量球面反卷积模型特性分析 | 第40-42页 |
| 3.3 高阶张量稀疏成像模型 | 第42-43页 |
| 3.4 稀疏参数学习的迭代反卷积算法 | 第43-45页 |
| 3.5 实验与结果 | 第45-51页 |
| 3.6 小结 | 第51-52页 |
| 第4章 非局部多纤维稀疏成像研究 | 第52-71页 |
| 4.1 引言 | 第52页 |
| 4.2 空间结构一致性模型 | 第52-53页 |
| 4.3 数据一致项 | 第53-54页 |
| 4.4 纤维方向连续性模型 | 第54-56页 |
| 4.5 优化问题求解 | 第56-57页 |
| 4.6 算法实现 | 第57-58页 |
| 4.7 实验与结果 | 第58-69页 |
| 4.7.1 对比方法 | 第58页 |
| 4.7.2 评价标准 | 第58页 |
| 4.7.3 ISBI模拟数据 | 第58-66页 |
| 4.7.4 HARVARD模拟数据 | 第66-67页 |
| 4.7.5 单b值实际人脑数据 | 第67-68页 |
| 4.7.6 多b值实际人脑数据 | 第68-69页 |
| 4.8 小结 | 第69-71页 |
| 第5章 基于黎曼-芬斯勒流形的纤维成像研究 | 第71-79页 |
| 5.1 引言 | 第71页 |
| 5.2 纤维成像的皮质回旋偏差 | 第71-74页 |
| 5.3 测地纤维跟踪技术 | 第74页 |
| 5.4 惩罚Finsler距离 | 第74-75页 |
| 5.5 最优最短路径 | 第75-76页 |
| 5.6 实验与结果 | 第76-78页 |
| 5.7 小结 | 第78-79页 |
| 第6章 多组织协同的非对称纤维成像研究 | 第79-93页 |
| 6.1 引言 | 第79-80页 |
| 6.2 多组织非对称纤维方向分布 | 第80-82页 |
| 6.3 方向性概率分布函数 | 第82页 |
| 6.4 模型框架 | 第82-83页 |
| 6.5 优化求解 | 第83-84页 |
| 6.6 定量评价 | 第84-85页 |
| 6.6.1 非对称指数 | 第84页 |
| 6.6.2 模型差异性指数 | 第84-85页 |
| 6.6.3 一致性指数 | 第85页 |
| 6.7 实验与结果 | 第85-91页 |
| 6.8 小结 | 第91-93页 |
| 第7章 数据驱动人脑解剖连接分析 | 第93-117页 |
| 7.1 引言 | 第93页 |
| 7.2 球面平均技术用于人脑组织分割 | 第93-98页 |
| 7.2.1 球面平均技术 | 第94-95页 |
| 7.2.2 稀疏NMF组织分割 | 第95-96页 |
| 7.2.3实验 | 第96-98页 |
| 7.3 数据驱动全脑纤维自动分类研究 | 第98-107页 |
| 7.3.1 全脑纤维跟踪 | 第99-100页 |
| 7.3.2 数据驱动的全脑纤维聚类 | 第100-101页 |
| 7.3.3 全脑纤维束成像的多目标组配准 | 第101页 |
| 7.3.4 高维度的数据驱动纤维聚类图谱 | 第101页 |
| 7.3.5 基于纤维聚类图谱的逐样本聚类 | 第101页 |
| 7.3.6 自动纤维束注释 | 第101-102页 |
| 7.3.7 使用WMQL对束进行解剖信息定义 | 第102页 |
| 7.3.8 群组样本纤维束自动注释 | 第102页 |
| 7.3.9 感兴趣的纤维束结构 | 第102-103页 |
| 7.3.10 实验与结果 | 第103-107页 |
| 7.4 人脑解剖连接自动注释技术在疾病分析中的应用 | 第107-111页 |
| 7.4.1 样本数据集 | 第108-109页 |
| 7.4.2 数据处理与分析 | 第109页 |
| 7.4.3 扩散定量测量和统计分析 | 第109-110页 |
| 7.4.4 实验与结果 | 第110-111页 |
| 7.5 小结 | 第111-117页 |
| 第8章 讨论与总结 | 第117-119页 |
| 参考文献 | 第119-136页 |
| 附录 | 第136-137页 |
| 致谢 | 第137-139页 |
| 攻读学位期间参加的科研项目和成果 | 第139-140页 |