| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 扩散峭度成像（DKI）技术的研究现状 | 第10-14页 |
| 1.2.1 DKI 技术及其数据采集、模型拟合和参数估计 | 第10-11页 |
| 1.2.2 基于 DKI 水分子扩散的白质微结构模型研究 | 第11-13页 |
| 1.2.3 基于 DKI 模型特征的病理研究 | 第13-14页 |
| 1.3 本文研究内容及组织结构 | 第14-16页 |
| 第二章 磁共振扩散张量技术基础 | 第16-31页 |
| 2.1 扩散张量成像（DTI） | 第16-27页 |
| 2.1.1 扩散与扩散磁共振成像 | 第16-21页 |
| 2.1.2 组织中的扩散 | 第21-24页 |
| 2.1.3 扩散张量 | 第24-27页 |
| 2.2 扩散峭度成像(DKI) | 第27-29页 |
| 2.2.1 峭度的引入 | 第27页 |
| 2.2.2 扩散峭度成像模型 | 第27-29页 |
| 2.3 扩散峭度成像技术在临床的应用 | 第29-31页 |
| 2.3.1 在肿瘤方面的应用 | 第29页 |
| 2.3.2 大脑发育的研究 | 第29-30页 |
| 2.3.3 神经退行性疾病的研究 | 第30-31页 |
| 第三章 扩散峭度成像（DKI）数据采集与图像处理 | 第31-41页 |
| 3.1 数据采集 | 第31-32页 |
| 3.2 图像预处理 | 第32-37页 |
| 3.2.1 基本流程 | 第32页 |
| 3.2.2 降噪算法 | 第32-37页 |
| 3.3 张量的稳定估计算法 | 第37-40页 |
| 3.3.1 带约束的线性最小二乘算法 | 第37-40页 |
| 3.3.2 相关软件介绍 | 第40页 |
| 3.4 小结 | 第40-41页 |
| 第四章 扩散峭度成像(DKI)高阶张量特征提取与分析 | 第41-53页 |
| 4.1 依赖扩散方向的峭度参数提取 | 第41-43页 |
| 4.1.1 扩散张量参数提取 | 第42页 |
| 4.1.2 扩散峭度参数提取 | 第42-43页 |
| 4.2 D-特征值的提取算法 | 第43-48页 |
| 4.2.1 峭度张量的特征化方法 | 第44-45页 |
| 4.2.2 提取结果 | 第45-48页 |
| 4.3 参数分析 | 第48-52页 |
| 4.3.1 全脑图像的散点图分析 | 第48-50页 |
| 4.3.2 基于感兴趣区（ROI）的统计分析 | 第50-52页 |
| 4.4 小结 | 第52-53页 |
| 第五章 基于扩散峭度成像（DKI）的 AD 模式识别与分析 | 第53-68页 |
| 5.1 样本数据的采集 | 第53-55页 |
| 5.1.1 被试信息统计 | 第53页 |
| 5.1.2 ROI 的定位 | 第53-55页 |
| 5.1.3 模式识别特征向量的获取 | 第55页 |
| 5.2 模式识别的流程 | 第55-58页 |
| 5.2.1 SVM-rfe 分类器 | 第55页 |
| 5.2.2 分类器的建模 | 第55-58页 |
| 5.3 模式识别结果分析 | 第58-66页 |
| 5.3.1 组间差异的统计结果 | 第58-60页 |
| 5.3.2 分类器的效能分析 | 第60-61页 |
| 5.3.3 最优特征子集 | 第61-64页 |
| 5.3.4 相关性分析 | 第64-66页 |
| 5.4 小结 | 第66-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 研究总结 | 第68-69页 |
| 6.2 未来展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 发表论文和参加科研情况说明 | 第76-77页 |
| 论文发表情况 | 第76页 |
| 国家发明专利 | 第76页 |
| 参与科研项目 | 第76-77页 |
| 附录 | 第77-80页 |
| 简易精神状态量表（MMSE）及操作说明说明 | 第77-80页 |
| 致谢 | 第80页 |
