| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 ADHD的诊断研究现状 | 第10-11页 |
| 1.2.2 机器学习在ADHD辅助诊断方面的研究现状 | 第11-12页 |
| 1.3 主要研究内容及难点 | 第12-13页 |
| 1.4 本文结构安排 | 第13-15页 |
| 第2章 基于经典机器学习算法的ADHD图像分类 | 第15-31页 |
| 2.1 引言 | 第15页 |
| 2.2 数据介绍 | 第15-17页 |
| 2.2.1 脑部MRI数据来源 | 第15-16页 |
| 2.2.2 数据预处理 | 第16-17页 |
| 2.3 交叉验证 | 第17-18页 |
| 2.4 基于神经网络的MR图像分类 | 第18-27页 |
| 2.4.1 神经网络学习算法 | 第18-26页 |
| 2.4.2 实验内容 | 第26页 |
| 2.4.3 实验环境 | 第26页 |
| 2.4.4 结果与分析 | 第26-27页 |
| 2.5 基于SVM的MR图像分类 | 第27-30页 |
| 2.5.1 SVM学习算法 | 第27-29页 |
| 2.5.2 实验内容 | 第29-30页 |
| 2.5.3 结果与分析 | 第30页 |
| 2.6 小结与讨论 | 第30-31页 |
| 第3章 基于ROI精分割和CNN的ADHD图像分类 | 第31-49页 |
| 3.1 引言 | 第31页 |
| 3.2 感兴趣区域—尾状核区域介绍 | 第31-33页 |
| 3.3 整个识别分类流程 | 第33页 |
| 3.4 基于LS-RG的尾状核区域精分割 | 第33-39页 |
| 3.4.1 ROI精分割方法流程 | 第33-34页 |
| 3.4.2 基于水平集方法的尾状核边缘分割 | 第34-38页 |
| 3.4.3 基于区域生长法的尾状核区域提取 | 第38-39页 |
| 3.5 基于CNN的ADHD分类识别 | 第39-44页 |
| 3.5.1 CNN算法介绍 | 第39-43页 |
| 3.5.2 分类算法评价指标 | 第43-44页 |
| 3.6 实验与结果分析 | 第44-47页 |
| 3.6.1 实验平台 | 第44页 |
| 3.6.2 实验内容 | 第44页 |
| 3.6.3 分割结果及分析 | 第44-47页 |
| 3.6.4 CNN分类结果及分析 | 第47页 |
| 3.7 小结与讨论 | 第47-49页 |
| 第4章 基于ROI粗分割和CNN的ADHD图像分类 | 第49-61页 |
| 4.1 引言 | 第49页 |
| 4.2 基于改进型模板匹配法尾状核区域粗分割 | 第49-52页 |
| 4.3 针对ADHD分类的CNN模型研究 | 第52-55页 |
| 4.4 实验与结果分析 | 第55-60页 |
| 4.4.1 实验内容 | 第55页 |
| 4.4.2 分割结果与分析 | 第55-57页 |
| 4.4.3 CNN分类结果与分析 | 第57-60页 |
| 4.5 小结与讨论 | 第60-61页 |
| 第5章 基于3D-CNN的ADHD图像分类 | 第61-65页 |
| 5.1 引言 | 第61页 |
| 5.2 针对ADHD分类的3D-CNN模型研究 | 第61-63页 |
| 5.3 实验与结果分析 | 第63-64页 |
| 5.3.1 实验平台 | 第63页 |
| 5.3.2 实验内容 | 第63页 |
| 5.3.3 结果与分析 | 第63-64页 |
| 5.4 小结与讨论 | 第64-65页 |
| 第6章 总结与展望 | 第65-68页 |
| 6.1 总结 | 第65-67页 |
| 6.2 展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻读学位期间的研究成果 | 第74页 |
