| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 引言 | 第13页 |
| 1.2 阿尔茨海默病Aβ 级联说 | 第13-14页 |
| 1.3 基于 11C-PiB PET技术的AD临床诊断概述 | 第14页 |
| 1.4 基于AD诊断的计算机辅助诊断概述 | 第14-17页 |
| 1.5 研究目的和内容 | 第17-18页 |
| 1.5.1 研究目的 | 第17页 |
| 1.5.2 研究内容 | 第17-18页 |
| 1.6 本文创新点和结构安排 | 第18-20页 |
| 1.6.1 主要创新点 | 第18页 |
| 1.6.2 论文结构安排 | 第18-20页 |
| 第二章 11C-PiB PET图像的获取 | 第20-22页 |
| 2.1 11C-PiB PET图像的获取 | 第20页 |
| 2.2 样本选取 | 第20-22页 |
| 第三章 11C-PiB PET图像的预处理 | 第22-30页 |
| 3.1 基于 11C-PiB PET图像预处理的现状与分析 | 第22-23页 |
| 3.2 11C-PiB PET图像预处理流程 | 第23-24页 |
| 3.2.1 11C-PiB PET图像配准 | 第23页 |
| 3.2.2 11C-PiB PET图像归一化 | 第23-24页 |
| 3.2.3 11C-PiB PET图像平滑 | 第24页 |
| 3.3 预处理结果及评估实验 | 第24-29页 |
| 3.3.1 预处理结果 | 第24-25页 |
| 3.3.2 评估实验目的和内容 | 第25-26页 |
| 3.3.3 评估实验方法 | 第26页 |
| 3.3.4 评估实验要求 | 第26-27页 |
| 3.3.5 评估实验步骤 | 第27-28页 |
| 3.3.6 评估实验的结果 | 第28-29页 |
| 3.4 讨论与小结 | 第29-30页 |
| 第四章 11C-PiB PET图像Aβ 感兴趣区域分割 | 第30-39页 |
| 4.1 基于PET图像的分割算法文献综述 | 第30-31页 |
| 4.2 基于结构先验的格子波尔兹曼三维分割算法 | 第31-34页 |
| 4.2.1 LBM算法的数学模型 | 第31-33页 |
| 4.2.2 基于结构先验知识的 3D-LB算法 | 第33-34页 |
| 4.3 实验部分 | 第34-38页 |
| 4.3.1 实验目的和内容 | 第34页 |
| 4.3.2 实验方法 | 第34-35页 |
| 4.3.3 实验结果 | 第35-38页 |
| 4.4 讨论与小结 | 第38-39页 |
| 第五章 11C-PiB PET图像特征提取与选择 | 第39-50页 |
| 5.1 11C-PiB PET图像特征提取 | 第39-40页 |
| 5.1.1 基于PET图像的CAAD特征提取技术现状与分析 | 第39页 |
| 5.1.2 基于PCA的特征提取方法 | 第39-40页 |
| 5.2 特征选择 | 第40-43页 |
| 5.2.1 W-map | 第41-42页 |
| 5.2.2 RFE W-map | 第42页 |
| 5.2.3 P-map | 第42-43页 |
| 5.2.4 RFE P-map | 第43页 |
| 5.3 实验部分 | 第43-49页 |
| 5.3.1 实验目的和内容 | 第43页 |
| 5.3.2 特征提取方法的验证实验 | 第43-46页 |
| 5.3.3 特征选择方法的对比验证实验 | 第46-49页 |
| 5.4 讨论与小结 | 第49-50页 |
| 第六章 基于机器学习的分类器及其验证 | 第50-58页 |
| 6.1 基于机器学习模型的分类器 | 第50-52页 |
| 6.1.1 基于核的支持向量机分类器 | 第50页 |
| 6.1.2 K近邻算法 | 第50-51页 |
| 6.1.3 极限学习机 | 第51-52页 |
| 6.2 实验部分 | 第52-57页 |
| 6.2.1 实验目的和内容 | 第52页 |
| 6.2.2 实验方法 | 第52-53页 |
| 6.2.3 实验结果 | 第53-57页 |
| 6.3 讨论与小结 | 第57-58页 |
| 第七章 总结与展望 | 第58-61页 |
| 7.1 结论 | 第58页 |
| 7.2 讨论 | 第58-59页 |
| 7.3 展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 作者在攻读硕士学位期间公开发表的学术论文 | 第67-68页 |
| 作者在攻读硕士学位期间所参与的科研项目 | 第68-69页 |
| 致谢 | 第69页 |
