基于迁移学习的阿尔兹海默症转化预测方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 课题背景及意义 | 第14-16页 |
| 1.2 课题研究现状 | 第16-20页 |
| 1.2.1 转化预测问题的研究现状 | 第17-19页 |
| 1.2.2 迁移学习 | 第19-20页 |
| 1.3 论文的研究内容及组织架构 | 第20-24页 |
| 1.3.1 本文的主要工作 | 第20-21页 |
| 1.3.2 数据处理流程 | 第21-22页 |
| 1.3.3 论文结构与章节安排 | 第22-24页 |
| 第二章 神经影像数据及数据预处理 | 第24-34页 |
| 2.1 常用数据类型以及数据库介绍 | 第24-29页 |
| 2.1.1 神经影像 | 第24-26页 |
| 2.1.2 基因数据及量表数据 | 第26-27页 |
| 2.1.3 ADNI数据库 | 第27-28页 |
| 2.1.4 研究数据的选取 | 第28-29页 |
| 2.2 神经影像数据的预处理 | 第29-31页 |
| 2.2.1 预处理工具 | 第29页 |
| 2.2.2 预处理流程 | 第29-31页 |
| 2.3 神经影像特征提取方法 | 第31-33页 |
| 2.3.1 基于体素的特征提取方法 | 第31-32页 |
| 2.3.2 基于感兴趣区域的特征提取方法 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第三章 基于无监督迁移学习的特征变换算法 | 第34-46页 |
| 3.1 自表达的特征选择算法 | 第34-35页 |
| 3.2 字典学习算法 | 第35-40页 |
| 3.2.1 稀疏表达与字典学习 | 第35-36页 |
| 3.2.2 稀疏字典学习 | 第36-40页 |
| 3.3 自学习方法 | 第40-43页 |
| 3.3.1 自学习算法基本原理 | 第40-41页 |
| 3.3.2 流形正则项 | 第41-42页 |
| 3.3.3 自学习算法流程框架 | 第42-43页 |
| 3.4 损失函数的优化算法 | 第43-45页 |
| 3.4.1 近端梯度算法 | 第43-44页 |
| 3.4.2 自学习算法的优化算法 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于半监督迁移学习的特征选择算法 | 第46-56页 |
| 4.1 传统的特征选择算法 | 第46-48页 |
| 4.1.1 基于变量排序的特征选择算法 | 第46-47页 |
| 4.1.2 线性回归模型 | 第47-48页 |
| 4.1.3 流形正则项 | 第48页 |
| 4.2 有监督的迁移学习特征选择算法 | 第48-51页 |
| 4.3 半监督的迁移学习特征选择算法 | 第51-55页 |
| 4.3.1 K最近邻算法 | 第51-53页 |
| 4.3.2 弹性类标的K最近邻算法 | 第53页 |
| 4.3.3 基于KNN的特征选择算法 | 第53-54页 |
| 4.3.4 半监督的迁移学习特征选择算法 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 分类器与实验结果分析 | 第56-72页 |
| 5.1 分类器 | 第56-63页 |
| 5.1.1 支持向量机 | 第56-58页 |
| 5.1.2 低密度分割算法 | 第58-63页 |
| 5.2 实验结果分析 | 第63-69页 |
| 5.2.1 自学习算法分类结果 | 第63-66页 |
| 5.2.2 半监督的迁移学习特征选择算法结果 | 第66-69页 |
| 5.3 本章小结 | 第69-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 研究工作的总结 | 第72-73页 |
| 6.2 未来研究工作展望 | 第73-74页 |
| 攻读硕士期间发表论文及科研情况 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 致谢 | 第82页 |
