| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究历史与现状 | 第10-11页 |
| 1.3 基于多模态的阿尔兹海默病分类方法研究 | 第11-13页 |
| 1.3.1 多模态数据介绍 | 第11-12页 |
| 1.3.2 阿尔兹海默病分类方法研究现状 | 第12-13页 |
| 1.4 本文研究内容和组织结构 | 第13-16页 |
| 第二章 多模态数据特征融合及分类方法概述 | 第16-29页 |
| 2.1 引言 | 第16页 |
| 2.2 多模态数据特征融合方法 | 第16-24页 |
| 2.2.1 传统特征融合方法简介 | 第16-18页 |
| 2.2.2 基于多核学习的特征融合 | 第18-20页 |
| 2.2.3 迭代交叉扩散融合 | 第20-24页 |
| 2.3 基于多模态的阿尔兹海默病分类方法 | 第24-28页 |
| 2.3.1 多核支持向量机 | 第24-27页 |
| 2.3.2 随机森林分类器 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于多核学习的多模态阿尔兹海默病分类 | 第29-53页 |
| 3.1 引言 | 第29页 |
| 3.2 基于多核学习的多模态阿尔兹海默病分类算法框架 | 第29-30页 |
| 3.3 多模态数据预处理 | 第30-34页 |
| 3.3.1 MRI图像预处理 | 第30-32页 |
| 3.3.2 PET图像预处理 | 第32-34页 |
| 3.4 多模态数据特征提取和特征选择 | 第34-40页 |
| 3.4.1 基于AAL模板的特征提取方法 | 第34-36页 |
| 3.4.2 基于t-test的特征选择 | 第36-37页 |
| 3.4.3 基于Fisher准则的特征选择 | 第37-40页 |
| 3.5 基于多核SVM的阿尔兹海默病分类方法 | 第40-42页 |
| 3.5.1 基于多核学习的多模态特征融合 | 第40-41页 |
| 3.5.2 基于多核SVM的阿尔兹海默病分类方法 | 第41-42页 |
| 3.6 实验结果和分析 | 第42-51页 |
| 3.6.1 实验数据介绍 | 第42-44页 |
| 3.6.2 分类结果评估准则 | 第44页 |
| 3.6.3 采用不同核函数分类结果对比 | 第44-46页 |
| 3.6.4 单模态与多模态特征分类结果对比 | 第46-48页 |
| 3.6.5 三种模态不同权重组合方式对比 | 第48-50页 |
| 3.6.6 与其他分类器结果对比 | 第50-51页 |
| 3.7 本章小结 | 第51-53页 |
| 第四章 基于非线性图融合的多模态阿尔兹海默病分类 | 第53-67页 |
| 4.1 引言 | 第53页 |
| 4.2 基于非线性图融合的多模态阿尔兹海默病分类算法框架 | 第53-54页 |
| 4.3 基于NGF的多模态特征融合 | 第54-60页 |
| 4.3.1 随机森林构建特征图 | 第54-56页 |
| 4.3.2 基于交叉扩散的非线性图融合 | 第56-59页 |
| 4.3.3 使用随机森林对融合图进行分类 | 第59-60页 |
| 4.4 实验结果和分析 | 第60-66页 |
| 4.4.1 单模态与多模态分类结果对比 | 第60-61页 |
| 4.4.2 实验参数分析 | 第61-64页 |
| 4.4.3 与其他分类器分类结果对比 | 第64-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 总结和展望 | 第67-69页 |
| 5.1 论文总结 | 第67-68页 |
| 5.2 工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间取得的成果 | 第76页 |