| 摘要 | 第4-6页 |
| ABSTRACT | 第6-9页 |
| 注释表 | 第17-19页 |
| 第一章 绪论 | 第19-32页 |
| 1.1 引言 | 第19-20页 |
| 1.2 研究背景 | 第20-22页 |
| 1.2.1 国内外关于脑肿瘤患者认知功能测试的研究 | 第20-21页 |
| 1.2.2 国内外关于脑肿瘤级别分类研究 | 第21-22页 |
| 1.3 脑功能成像概述 | 第22-23页 |
| 1.4 功能磁共振成像原理 | 第23-24页 |
| 1.4.1 磁共振成像原理 | 第23-24页 |
| 1.4.2 功能磁共振成像 | 第24页 |
| 1.5 静息态fMRI研究 | 第24-27页 |
| 1.5.1 静息态自发脑功能活动生理基础 | 第25页 |
| 1.5.2 静息态脑功能研究方向 | 第25-26页 |
| 1.5.3 静息态fMRI信号采集和预处理 | 第26页 |
| 1.5.4 静息态脑功能网络方法 | 第26-27页 |
| 1.6 论文研究内容和组织结构 | 第27-32页 |
| 1.6.1 论文研究内容 | 第27-29页 |
| 1.6.2 论文创新点 | 第29-30页 |
| 1.6.3 课题来源 | 第30页 |
| 1.6.4 论文组织结构 | 第30-32页 |
| 第二章 基于fMRI的脑肿瘤图像配准 | 第32-46页 |
| 2.1 引言 | 第32页 |
| 2.2 基于相干性结合相位一致性的脑肿瘤图像分割方法 | 第32-38页 |
| 2.2.1 相干性原理 | 第33页 |
| 2.2.2 相位一致性原理 | 第33-35页 |
| 2.2.3 采用LogGabor小波计算相位一致性 | 第35-36页 |
| 2.2.4 相干性结合相位一致性聚类分析 | 第36-37页 |
| 2.2.5 实验数据 | 第37页 |
| 2.2.6 脑肿瘤图像分割结果 | 第37-38页 |
| 2.2.7 讨论和结论 | 第38页 |
| 2.3 基于代价函数掩模法的脑肿瘤fMRI数据配准 | 第38-41页 |
| 2.3.1 引言 | 第38-39页 |
| 2.3.2 标准的空间归一化方法 | 第39-40页 |
| 2.3.3 代价函数掩模法 | 第40-41页 |
| 2.4 面向Powell算法的脑肿瘤fMRI数据配准 | 第41-42页 |
| 2.4.1 配准目标函数和Powell算法 | 第41-42页 |
| 2.5 基于相似性测度的配准性能分析和实验比较 | 第42-44页 |
| 2.5.1 仿真数据的相似性测度比较和分析 | 第42-43页 |
| 2.5.2 实验分析与结果 | 第43-44页 |
| 2.6 讨论与小结 | 第44-45页 |
| 2.7 本章小结 | 第45-46页 |
| 第三章 基于fMRI特征改进独立成分分析算法研究 | 第46-61页 |
| 3.1 引言 | 第46页 |
| 3.2 独立成分分析理论 | 第46-52页 |
| 3.2.1 独立成分分析原理和假设 | 第46-48页 |
| 3.2.2 独立成分分析无法确定的因素 | 第48页 |
| 3.2.3 数据中心化和白化 | 第48-49页 |
| 3.2.4 独立成分分析算法 | 第49-52页 |
| 3.3 改进的两种ICA算法 | 第52-60页 |
| 3.3.1 基于粒子群和迭代梯度法组合的盲源分离 | 第52-54页 |
| 3.3.2 自适应松弛因子独立成分分析算法研究 | 第54-58页 |
| 3.3.3 改进方法、Infomax ICA和FastICA性能比较 | 第58-60页 |
| 3.3.4 结论 | 第60页 |
| 3.4 本章小结 | 第60-61页 |
| 第四章 基于ICA脑肿瘤静息态局部脑功能网络研究 | 第61-73页 |
| 4.1 引言 | 第61-62页 |
| 4.2 空间独立成分分析激活体素意义 | 第62-63页 |
| 4.3 静息态听觉网络和默认模式网络特征研究 | 第63-68页 |
| 4.3.1 数据采集 | 第63页 |
| 4.3.2 数据预处理 | 第63-64页 |
| 4.3.3 数据降维 | 第64-65页 |
| 4.3.4 Group-ICA分析方法 | 第65-66页 |
| 4.3.5 数据分析 | 第66页 |
| 4.3.6 选择最适成分 | 第66-67页 |
| 4.3.7 随机效应分析 | 第67-68页 |
| 4.4 结果 | 第68-72页 |
| 4.4.1 脑肿瘤患者组和健康组局部脑功能网络分析 | 第68-71页 |
| 4.4.2 高级和低级别脑肿瘤患者组局部脑功能网络分析 | 第71-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 脑肿瘤静息态全脑功能网络研究 | 第73-93页 |
| 5.1 引言 | 第73-74页 |
| 5.2 额叶脑肿瘤患者的全脑功能网络研究 | 第74-89页 |
| 5.2.1 数据采集 | 第74页 |
| 5.2.2 数据预处理 | 第74-75页 |
| 5.2.3 全脑功能网络数据分析 | 第75-78页 |
| 5.2.4 全脑功能网络的特征度量 | 第78-79页 |
| 5.2.5 额叶脑肿瘤患者全脑功能网络分析结果 | 第79-89页 |
| 5.2.6 讨论 | 第89页 |
| 5.2.7 结论 | 第89页 |
| 5.3 低级和高级别脑肿瘤患者全脑功能网络研究 | 第89-92页 |
| 5.3.1 数据采集 | 第90页 |
| 5.3.2 数据预处理 | 第90页 |
| 5.3.3 低级和高级别脑肿瘤患者全脑功能网络参数分析 | 第90-92页 |
| 5.3.4 讨论和结论 | 第92页 |
| 5.4 本章小结 | 第92-93页 |
| 第六章 基于脑功能网络特征的脑肿瘤级别分类研究 | 第93-112页 |
| 6.1 引言 | 第93页 |
| 6.2 支持向量机 | 第93-95页 |
| 6.3 面向脑肿瘤BOLD信号功率谱和近似熵特征参数评估分类 | 第95-102页 |
| 6.3.1 数据采集与预处理 | 第95页 |
| 6.3.2 低级和高级别脑肿瘤BOLD信号分析 | 第95-98页 |
| 6.3.3 低级和高级别脑肿瘤BOLD信号近似熵特征分析 | 第98-100页 |
| 6.3.4 面向BOLD信号值、功率谱和近似熵特征的脑肿瘤级别分类 | 第100-101页 |
| 6.3.5 讨论与结论 | 第101-102页 |
| 6.4 面向局部脑功能网络参数评估分类 | 第102-104页 |
| 6.4.1 数据采集 | 第102页 |
| 6.4.2 数据分析 | 第102-103页 |
| 6.4.3 基于听觉网络脑肿瘤级别分类结果 | 第103页 |
| 6.4.4 基于默认模式网络脑肿瘤级别分类结果 | 第103-104页 |
| 6.4.5 结论 | 第104页 |
| 6.5 面向全脑功能网络参数评估分类 | 第104-105页 |
| 6.5.1 基于点效率和度参数脑肿瘤级别分类结果 | 第104-105页 |
| 6.5.2 结论 | 第105页 |
| 6.6 测试结果ROC分析 | 第105-108页 |
| 6.6.1 ROC分析的基本原理 | 第105-106页 |
| 6.6.2 ROC评价指标 | 第106页 |
| 6.6.3 实验结果分析 | 第106-108页 |
| 6.7 健康组和低级别脑肿瘤患者组的脑功能网络参数分类研究 | 第108-111页 |
| 6.7.1 数据采集和预处理 | 第108页 |
| 6.7.2 基于默认模式网络的簇团特征因子分类研究 | 第108-111页 |
| 6.8 本章小结 | 第111-112页 |
| 第七章 总结和展望 | 第112-116页 |
| 7.1 论文工作总结 | 第112-114页 |
| 7.2 关于后续工作 | 第114-116页 |
| 参考文献 | 第116-127页 |
| 致谢 | 第127-128页 |
| 在学期间的研究成果及发表的学术论文 | 第128-129页 |
