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 |