抑郁症患者的脑部MRI图像分类算法研究
| 致谢 | 第5-7页 |
| 摘要 | 第7-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究进展 | 第13-17页 |
| 1.3 研究重点与难点 | 第17页 |
| 1.4 抑郁症患者的脑部MRI图像数据集 | 第17-19页 |
| 1.5 本文主要内容与章节安排 | 第19-20页 |
| 2 预处理算法 | 第20-29页 |
| 2.1 头动校正和脑组织分割 | 第20-25页 |
| 2.2 图像配准和标准化 | 第25-27页 |
| 2.3 图像去噪 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 3 特征提取和特征选择算法 | 第29-45页 |
| 3.1 特征提取 | 第29-35页 |
| 3.1.1 低频振幅和低频振幅比率 | 第29-31页 |
| 3.1.2 度中心性 | 第31-32页 |
| 3.1.3 功能连接 | 第32-34页 |
| 3.1.4 局部一致性 | 第34-35页 |
| 3.2 特征选择算法 | 第35-44页 |
| 3.2.1 基于Filter的特征选择方法 | 第36-38页 |
| 3.2.2 基于Wrapper的特征选择方法 | 第38-40页 |
| 3.2.3 基于Embedded的特征选择方法 | 第40-43页 |
| 3.2.4 特征选择策略 | 第43-44页 |
| 3.3 本章小结 | 第44-45页 |
| 4 分类器设计与融合算法 | 第45-64页 |
| 4.1 分类器设计 | 第45-54页 |
| 4.1.1 支持向量机 | 第45-48页 |
| 4.1.2 朴素贝叶斯法 | 第48-49页 |
| 4.1.3 K近邻法 | 第49页 |
| 4.1.4 实验与小结 | 第49-54页 |
| 4.2 多特征和多分类器融合算法 | 第54-62页 |
| 4.2.1 特征融合 | 第56页 |
| 4.2.2 分类器融合 | 第56-59页 |
| 4.2.3 实验与小结 | 第59-62页 |
| 4.2.3.1 基于特征融合的实验与小结 | 第59-61页 |
| 4.2.3.2 基于决策融合的实验与小结 | 第61-62页 |
| 4.3 本章小结 | 第62-64页 |
| 5 总结与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |
