| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 阿尔茨海默病的研究现状 | 第9页 |
| 1.2 轻度认知功能障碍的研究现状及意义 | 第9-10页 |
| 1.3 基于数据挖掘的医学图像分类 | 第10页 |
| 1.4 本文的研究意义及克服的难点 | 第10-11页 |
| 1.5 本文的研究内容与结构 | 第11-13页 |
| 第二章 图像预处理 | 第13-24页 |
| 2.1 研究对象的获取及分析 | 第13页 |
| 2.2 相关生物标志物 | 第13-15页 |
| 2.2.1 核磁共振图像MRI | 第14页 |
| 2.2.2 正电子发射断层扫描成像PET | 第14-15页 |
| 2.3 图像预处理过程及结果 | 第15-23页 |
| 2.3.1 头动校正 | 第16-18页 |
| 2.3.2 组织分割和空间标准化 | 第18-22页 |
| 2.3.3 空间平滑 | 第22-23页 |
| 2.4 总结 | 第23-24页 |
| 第三章 各个脑区灰质体素值的获取 | 第24-31页 |
| 3.1 XjView中各脑区体素值的获取 | 第24-25页 |
| 3.2 利用模板对AAL分区的各脑区灰质体素值的获取 | 第25-30页 |
| 3.2.1 AAL模板分区 | 第26-28页 |
| 3.2.2 模板的制作 | 第28-29页 |
| 3.2.3 灰质体素值的获取 | 第29-30页 |
| 3.3 总结 | 第30-31页 |
| 第四章 基于多核融合的进展型轻度认知功能障碍识别 | 第31-49页 |
| 4.1 支持向量机方法概述 | 第31-34页 |
| 4.1.1 线性最优分类超平面 | 第31-33页 |
| 4.1.2 特征空间与核函数 | 第33-34页 |
| 4.2 遗传算法 | 第34-40页 |
| 4.2.1 编码 | 第34-36页 |
| 4.2.2 选择 | 第36-37页 |
| 4.2.3 交叉和变异 | 第37-38页 |
| 4.2.4 适应度函数 | 第38-39页 |
| 4.2.5 遗传算法的基本流程 | 第39-40页 |
| 4.3 交叉验证 | 第40-41页 |
| 4.4 标准化方法 | 第41-42页 |
| 4.5 多核融合分类 | 第42-48页 |
| 4.5.1 基于遗传算法的核融合方法 | 第43-44页 |
| 4.5.2 单模态数据分类结果 | 第44-46页 |
| 4.5.3 双模态数据融合分类结果 | 第46-48页 |
| 4.6 总结 | 第48-49页 |
| 第五章 基于集成学习的进展型轻度认知功能障碍识别 | 第49-60页 |
| 5.1 特征降维方法 | 第49-50页 |
| 5.1.1 主成分分析方法 | 第49页 |
| 5.1.2 随机投影降维方法 | 第49-50页 |
| 5.2 集成学习方法 | 第50-54页 |
| 5.2.1 Boosting算法 | 第51-52页 |
| 5.2.2 Bagging算法 | 第52-53页 |
| 5.2.3 Stacking算法 | 第53-54页 |
| 5.3 二级集成学习分类器 | 第54-59页 |
| 5.3.1 二级集成学习分类方法 | 第54-55页 |
| 5.3.2 特征降维维数的选择 | 第55-56页 |
| 5.3.3 二级集成分类器的实验结果与分析 | 第56-59页 |
| 5.4 总结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 在校研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 附录一 插图清单 | 第68-70页 |
| 附录二 表格清单 | 第70页 |