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

颞叶癫痫患者的脑部MR影像多特征分析与自动识别

摘要第5-7页
Abstract第7-8页
第一章 绪论第11-20页
    1.1 研究背景和意义第11-14页
        1.1.1 颞叶癫痫的概况第11页
        1.1.2 颞叶癫痫的诊治第11-13页
        1.1.3 脑科学和人工智能第13页
        1.1.4 研究意义第13-14页
    1.2 颞叶癫痫的研究现状第14-17页
        1.2.1 生物标记物与脑电第14-15页
        1.2.2 基于MR影像的研究第15-17页
    1.3 颞叶癫痫的计算机辅助诊断第17-19页
        1.3.1 机器学习方法在颞叶癫痫的应用第17-18页
        1.3.2 传统机器学习与深度学习的比较第18-19页
    1.4 存在的问题第19页
    1.5 本文的主要工作第19-20页
第二章 颞叶癫痫患者的大脑皮层特征分析第20-33页
    2.1 大脑皮层及皮层特征第20-22页
        2.1.1 大脑皮层简介第20-21页
        2.1.2 大脑皮层特征第21-22页
    2.2 研究对象第22-23页
    2.3 研究方法第23-26页
        2.3.1 MR图像预处理第23页
        2.3.2 脑皮层重建与分割第23-24页
        2.3.3 脑皮层特征计算第24-25页
        2.3.4 统计分析第25-26页
    2.4 研究结果第26-30页
        2.4.1 皮层厚度差异分析第26-27页
        2.4.2 皮层表面积差异分析第27-28页
        2.4.3 灰质体积差异分析第28-29页
        2.4.4 平均曲率差异分析第29-30页
    2.5 讨论第30-32页
    2.6 本章小结第32-33页
第三章 基于支持向量机的颞叶癫痫自动识别第33-54页
    3.1 支持向量机第33-37页
        3.1.1 传统机器学习概述第33-34页
        3.1.2 支持向量机原理第34-37页
    3.2 特征选择第37-39页
        3.2.1 双样本T检验第37-38页
        3.2.2 递归特征消除法第38-39页
    3.3 研究方案第39-43页
        3.3.1 特征提取第39-40页
        3.3.2 数据标准化第40页
        3.3.3 分类器参数设置第40-42页
        3.3.4 分类器评价第42-43页
    3.4 研究结果第43-51页
        3.4.1 分类结果第43-48页
        3.4.2 重要的脑皮层特征及脑区分布第48-51页
    3.5 讨论第51-53页
    3.6 本章小结第53-54页
第四章 基于卷积神经网络的颞叶癫痫自动识别第54-69页
    4.1 深度学习第54-58页
        4.1.1 深度学习及卷积神经网络第54-56页
        4.1.2 深度学习在医学图像中的应用第56-58页
    4.2 研究方法第58-64页
        4.2.1 引入迁移学习方法第58-59页
        4.2.2 图像预处理第59-61页
        4.2.3 模型训练第61-63页
        4.2.4 分类预测第63-64页
    4.3 研究结果第64-66页
    4.4 讨论第66-68页
    4.5 本章小结第68-69页
总结与展望第69-71页
    总结第69-70页
    展望第70-71页
参考文献第71-76页
攻读硕士期间取得的研究成果第76-78页
致谢第78-79页
附件第79页

论文共79页,点击 下载论文
上一篇:新生儿疾病筛查信息系统的开发与应用研究
下一篇:高/低功能早发性精神分裂症患者社会知觉和心理推理能力损伤的分离