| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 大脑结构像的研究现状 | 第12-14页 |
| 1.2.2 大脑功能像的研究现状 | 第14-15页 |
| 1.2.3 大脑数据特征提取和识别的研究现状 | 第15-16页 |
| 1.3 本文研究内容与贡献 | 第16-18页 |
| 1.4 本文的结构安排 | 第18-19页 |
| 第二章 磁共振成像研究的相关理论与技术 | 第19-30页 |
| 2.1 大脑图像预处理 | 第19-20页 |
| 2.2 大脑网络构建方法 | 第20-23页 |
| 2.3 大脑形态学分析方法 | 第23页 |
| 2.4 大脑网络分析方法 | 第23-25页 |
| 2.5 机器学习分类模型 | 第25-29页 |
| 2.5.1 支持向量机 | 第25-26页 |
| 2.5.2 K近邻分类器 | 第26-27页 |
| 2.5.3 逻辑回归 | 第27-28页 |
| 2.5.4 决策树 | 第28-29页 |
| 2.6 本章小节 | 第29-30页 |
| 第三章 基于磁共振成像抑郁症患者的脑网络研究 | 第30-47页 |
| 3.1 抑郁症数据及数据预处理 | 第30-32页 |
| 3.1.1 被试数据信息 | 第30-31页 |
| 3.1.2 数据获取及数据预处理 | 第31-32页 |
| 3.2 抑郁症灰质图像形态学分析 | 第32-35页 |
| 3.2.1 基于全脑体素形态学分析方法 | 第32-33页 |
| 3.2.2 结果展示 | 第33-34页 |
| 3.2.3 讨论 | 第34-35页 |
| 3.3 大脑结构网络构建 | 第35-38页 |
| 3.3.1 构建脑结构网络模型 | 第35-37页 |
| 3.3.2 置换检验 | 第37-38页 |
| 3.4 脑结构网络分析 | 第38-44页 |
| 3.4.1 全局网络分析 | 第38-41页 |
| 3.4.2 区域网络分析 | 第41-43页 |
| 3.4.3 讨论 | 第43-44页 |
| 3.5 抑郁症结构网络的脆性分析 | 第44-46页 |
| 3.6 本章小节 | 第46-47页 |
| 第四章 基于多模态磁共振信息的自闭症脑网络研究 | 第47-70页 |
| 4.1 数据基本信息以及数据预处理 | 第47-49页 |
| 4.1.1 数据获取 | 第47-48页 |
| 4.1.2 数据预处理 | 第48-49页 |
| 4.2 自闭症结构像形态学分析 | 第49-51页 |
| 4.2.1 统计学分析方法和结果展示 | 第49页 |
| 4.2.2 讨论 | 第49-51页 |
| 4.3 自闭症结构网络分析 | 第51-55页 |
| 4.3.1 自闭症结构性网络构建 | 第51页 |
| 4.3.2 自闭症结构性网络分析 | 第51-55页 |
| 4.4 自闭症大脑信号活动分析 | 第55-59页 |
| 4.4.1 方法介绍 | 第55-57页 |
| 4.4.2 结果分析 | 第57-58页 |
| 4.4.3 讨论 | 第58-59页 |
| 4.5 自闭症大脑功能网络分析 | 第59-65页 |
| 4.5.1 自闭症功能网络构建 | 第59-60页 |
| 4.5.2 自闭症功能网络分析 | 第60-64页 |
| 4.5.3 自闭症脆性分析 | 第64-65页 |
| 4.6 结构网络与功能网络关系分析 | 第65-69页 |
| 4.7 本章小结 | 第69-70页 |
| 第五章 机器学习方法在精神疾病诊断中的应用 | 第70-82页 |
| 5.1 基于结构磁共振的抑郁症患者诊断 | 第70-73页 |
| 5.1.1 实验设计 | 第70-72页 |
| 5.1.2 实验结果分析 | 第72-73页 |
| 5.2 基于多模态信息融合的自闭症诊断 | 第73-81页 |
| 5.2.1 特征选择简介 | 第73-76页 |
| 5.2.2 基于嵌入式特征选择与逻辑回归的自闭症诊断 | 第76-78页 |
| 5.2.3 基于PCA特征降维的自闭症诊断 | 第78-79页 |
| 5.2.4 实验结果分析 | 第79-81页 |
| 5.3 本章小结 | 第81-82页 |
| 第六章 总结与展望 | 第82-84页 |
| 6.1 总结 | 第82-83页 |
| 6.2 展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-90页 |
| 攻硕期间取得的研究成果 | 第90页 |