| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 阿尔茨海默病病理概述及研究意义 | 第11-13页 |
| 1.2 论文研究背景和意义 | 第13-14页 |
| 1.3 阿尔茨海默氏症的计算机辅助诊断算法研究现状 | 第14-15页 |
| 1.4 本文主要工作及内容安排 | 第15-18页 |
| 第2章 MRI和PET图像预处理方法研究 | 第18-34页 |
| 2.1 获取研究对象 | 第18页 |
| 2.2 图像预处理 | 第18-33页 |
| 2.2.1 配准算法 | 第18-28页 |
| 2.2.2 图像预处理 | 第28-33页 |
| 2.3 本章小结 | 第33-34页 |
| 第3章 MRI/PET及模板的3D图像融合 | 第34-41页 |
| 3.1 医学图像融合的分类准则及方法 | 第34-36页 |
| 3.1.1 医学图像融合的分类准则 | 第34-35页 |
| 3.1.2 医学图像融合的方法 | 第35-36页 |
| 3.2 基于像素级的3D图像融合 | 第36-40页 |
| 3.2.1 基于像素级的3D图像融合方法介绍 | 第36页 |
| 3.2.2 MRI和PET的3D图像融合 | 第36-37页 |
| 3.2.3 MRI和模板的3D图像融合 | 第37-38页 |
| 3.2.4 PET和模板的3D图像融合 | 第38-39页 |
| 3.2.5 融合图像的客观评价 | 第39页 |
| 3.2.6 实验结果与分析 | 第39-40页 |
| 3.3 本章小结 | 第40-41页 |
| 第4章 感兴趣区域的自动分割及特征提取 | 第41-57页 |
| 4.1 常用的图像分割方法 | 第41-46页 |
| 4.1.1 区域分割 | 第41-44页 |
| 4.1.2 边缘检测 | 第44-45页 |
| 4.1.3 区域和边界技术相结合的方法 | 第45-46页 |
| 4.1.4 其他方法 | 第46页 |
| 4.2 感兴趣区域的自动分割和特征提取 | 第46-56页 |
| 4.2.1 Freesurfer自动分割方法 | 第46-49页 |
| 4.2.2 标记模板图像的各脑部区域 | 第49页 |
| 4.2.3 提取各脑部区域的体素灰度值 | 第49-56页 |
| 4.3 本章小结 | 第56-57页 |
| 第5章 基于SVM的AD患者辅助诊断算法 | 第57-71页 |
| 5.1 图像特征选择与AD患者判定分类 | 第57-58页 |
| 5.2 医学影像领域常用的分类方法 | 第58-60页 |
| 5.2.1 K-均值聚类法 | 第58页 |
| 5.2.2 主成分分析算法 | 第58-60页 |
| 5.2.3 人工神经网络算法 | 第60页 |
| 5.3 支持向量机分类及结果评估 | 第60-64页 |
| 5.3.1 支持向量机分类 | 第60-64页 |
| 5.3.2 交叉验证法评估分类结果 | 第64页 |
| 5.4 实验结果与分析 | 第64-70页 |
| 5.4.1 单模图像分类结果 | 第64-67页 |
| 5.4.2 基于融合图像的AD患者判定分类结果 | 第67-69页 |
| 5.4.3 基于单模图像和融合图像的AD患者判定分类结果的比较与分析 | 第69-70页 |
| 5.5 本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-78页 |
| 附录A 攻读学位期间所发表学术论文目录 | 第78页 |