首页--医药、卫生论文--神经病学与精神病学论文--脑部疾病论文--癫痫论文

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

论文共88页,点击 下载论文
上一篇:pH/还原双敏感聚合物纳米载药体系的构建及其抗肿瘤研究
下一篇:TAO易感基因单核苷酸多态性与血清TRAb相关性研究