基于脑PET/CT图像的癫痫自动检测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 脑癫痫研究现状 | 第12-13页 |
| 1.2.2 癫痫自动检测技术 | 第13页 |
| 1.2.3 PET/CT图像检测技术研究现状 | 第13-14页 |
| 1.3 本文研究内容和组织结构 | 第14-16页 |
| 第2章 相关技术介绍 | 第16-34页 |
| 2.1 PET/CT脑部图像预处理 | 第16-20页 |
| 2.1.1 大脑皮层功能简介 | 第16-17页 |
| 2.1.2 SPM简介 | 第17-18页 |
| 2.1.3 SPM图像分析流程 | 第18-19页 |
| 2.1.4 SPM图像预处理 | 第19-20页 |
| 2.2 图像特征提取 | 第20-23页 |
| 2.2.1 图像特征提取 | 第20-21页 |
| 2.2.2 PCA特征降维 | 第21-23页 |
| 2.3 图像分类算法 | 第23-31页 |
| 2.3.1 机器学习简介 | 第23-24页 |
| 2.3.2 支持向量机 | 第24-27页 |
| 2.3.3 决策树 | 第27-29页 |
| 2.3.4 K近邻 | 第29-30页 |
| 2.3.5 K均值算法 | 第30-31页 |
| 2.4 本章小结 | 第31-34页 |
| 第3章 PET/CT图像癫痫自动检测算法 | 第34-56页 |
| 3.1 PET/CT图像癫痫自动检测框架 | 第34-35页 |
| 3.2 图像预处理 | 第35-37页 |
| 3.2.1 空间标准化 | 第36-37页 |
| 3.2.2 高斯平滑 | 第37页 |
| 3.3 基于全脑的PET图像癫痫检测算法 | 第37-47页 |
| 3.3.1 算法总体设计 | 第38-39页 |
| 3.3.2 PET-SUV图像的张量表示 | 第39-41页 |
| 3.3.3 半脑对称度特征提取与张量模型 | 第41-42页 |
| 3.3.4 基于MPCA的特征降维 | 第42-46页 |
| 3.3.5 SVM分类模型建立 | 第46-47页 |
| 3.4 基于ROI的PET/CT图像癫痫检测算法 | 第47-53页 |
| 3.4.1 算法总体设计 | 第48页 |
| 3.4.2 图像的ROI选取 | 第48-50页 |
| 3.4.3 特征提取 | 第50-52页 |
| 3.4.4 特征选择 | 第52页 |
| 3.4.5 DT-KNN分类模型建立 | 第52-53页 |
| 3.5 本章小结 | 第53-56页 |
| 第4章 实验结果与分析 | 第56-68页 |
| 4.1 实验数据与实验环境 | 第56页 |
| 4.1.1 实验数据 | 第56页 |
| 4.1.2 实验环境 | 第56页 |
| 4.2 评估标准 | 第56-57页 |
| 4.3 全脑癫痫检测实验与分析 | 第57-60页 |
| 4.3.1 特征降维实验结果分析 | 第57-58页 |
| 4.3.2 癫痫检测实验结果分析 | 第58-60页 |
| 4.3.3 实验小结 | 第60页 |
| 4.4 ROI癫痫检测实验与分析 | 第60-65页 |
| 4.4.1 ROI纹理特征分析 | 第60-62页 |
| 4.4.2 ROI癫痫检测实验结果与分析 | 第62-65页 |
| 4.5 本章小结 | 第65-68页 |
| 第5章 系统设计与实现 | 第68-78页 |
| 5.1 开发环境 | 第68页 |
| 5.2 需求分析 | 第68-69页 |
| 5.3 系统整体设计 | 第69-73页 |
| 5.3.1 系统功能模块设计 | 第69-71页 |
| 5.3.2 系统界面设计 | 第71-73页 |
| 5.4 系统界面的实现 | 第73-76页 |
| 5.4.1 图像读取与显示 | 第73-75页 |
| 5.4.2 特征提取 | 第75-76页 |
| 5.4.3 特征选择 | 第76页 |
| 5.4.4 分类器预判 | 第76页 |
| 5.5 本章小结 | 第76-78页 |
| 第6章 总结与展望 | 第78-80页 |
| 6.1 本文的主要工作 | 第78-79页 |
| 6.2 进一步研究方向 | 第79-80页 |
| 参考文献 | 第80-86页 |
| 研究成果 | 第86-88页 |
| 致谢 | 第88页 |
