基于体素分析的早期阿尔茨海默病患者小脑形态学研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-25页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题研究背景及意义 | 第10-12页 |
| 1.3 研究现状概述 | 第12-15页 |
| 1.4 医学图像分割概述 | 第15-19页 |
| 1.4.1 医学图像格式 | 第15-16页 |
| 1.4.2 医学图像分割方法 | 第16-19页 |
| 1.5 深度学习概述 | 第19-23页 |
| 1.5.1 卷积神经网络 | 第20-21页 |
| 1.5.2 Gluon | 第21-23页 |
| 1.6 本论文的主要研究内容 | 第23-25页 |
| 第2章 小脑标签数据库的建立 | 第25-33页 |
| 2.1 引言 | 第25页 |
| 2.2 OASIS影像数据库 | 第25-27页 |
| 2.2.1 OASIS数据库简介 | 第25-26页 |
| 2.2.2 原始影像数据处理 | 第26-27页 |
| 2.2.3 MR成像参数 | 第27页 |
| 2.3 交互式小脑分割方法 | 第27-29页 |
| 2.3.1 小脑边界确定原则 | 第27-28页 |
| 2.3.2 交互式小脑分割步骤 | 第28-29页 |
| 2.4 数据集图像预处理 | 第29-32页 |
| 2.4.1 数据读取 | 第29页 |
| 2.4.2 数据增广 | 第29-30页 |
| 2.4.3 归一化 | 第30-31页 |
| 2.4.4 标准化 | 第31页 |
| 2.4.5 数据存储 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于全卷积网络的MR图像小脑分割方法 | 第33-43页 |
| 3.1 引言 | 第33页 |
| 3.2 网络结构设计 | 第33-39页 |
| 3.2.1 损失函数 | 第33-36页 |
| 3.2.2 权值优化 | 第36-37页 |
| 3.2.3 卷积层 | 第37-38页 |
| 3.2.4 转置卷积层 | 第38页 |
| 3.2.5 激活层 | 第38页 |
| 3.2.6 池化层 | 第38-39页 |
| 3.2.7 训练 | 第39页 |
| 3.3 网络评估及结果分析 | 第39-42页 |
| 3.3.1 评价标准 | 第39-40页 |
| 3.3.2 网络表现 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于VBM的小脑形态学分析 | 第43-53页 |
| 4.1 引言 | 第43页 |
| 4.2 VBM分析方法 | 第43-45页 |
| 4.2.1 研究对象 | 第44-45页 |
| 4.2.2 数据处理流程 | 第45页 |
| 4.3 数据统计分析 | 第45-46页 |
| 4.3.1 人口数据统计分析 | 第45-46页 |
| 4.3.2 VBM统计分析流程 | 第46页 |
| 4.4 数据分析结果 | 第46-52页 |
| 4.4.1 人口数据统计分析结果 | 第46-47页 |
| 4.4.2 VBM分析结果 | 第47-49页 |
| 4.4.3 小脑萎缩在形态学上的表现 | 第49-51页 |
| 4.4.4 小脑在认知障碍中的作用 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-61页 |
| 致谢 | 第61页 |
