人脑磁共振图像的数据智能分析方法研究

第一部分 人脑磁共振图像的智能分割方法研究
第1章 人脑磁共振图像的智能分割方法研究概论
1．1 引言
1．2 研究背景及意义
1．3 研究及应用
1．4 主要研究内容及章节安排
第2章 医学图像分割方法及评价指标
2．1 引言
2．2 医学图像分割方法
2．2．1 基于边界的分割方法
2．2．2 基于阈值的分割方法
2．2．3 基于区域增长的分割方法
2．2．4 基于统计学的方法
2．2．5 基于图论的方法
2．2．6 基于活动轮廓模型的方法
2．2．7 基于信息论的方法
2．2．8 基于模糊集理论的方法
2．2．9 基于神经网络的方法
2．2．10 基于小波变换的方法
2．3 医学图像分割方法的评价指标
2．3．1 分类相似性指标
2．3．2 距离指标
小结
第3章 基于邻域信息和高斯加权卡方距离的图割算法
3．1 引言
3．2 基本理论
3．3 图割方法
3．3．1 构造相似度矩阵
3．3．2 本书方法
3．4 实验
3．4．1 实验数据
3．4．2 实验结果
3．4．3 参数比较
3．4．4 稳健性分析
3．5 讨论和结论
小结
第4章 基于熵和局部邻域信息的高斯约束CV模型
4．1 引言
4．2 基础理论
4．3 高斯约束CV模型
4．4 实验
4．4．1 实验数据
4．4．2 实验结果
4．5 讨论和结论
小结
第5章 改进CV模型的推广应用
5．1 引言
5．2 基础理论
5．2．1 基于空间信息约束的模糊聚类
5．2．2 圆形 Hough变换
5．3 本章方法
5．3．1 自动初始化
5．3．2 改进CV模型的应用
5．3．3 感兴趣区域提取
5．3．4 T2*测量
5．4 实验
5．4．1 实验数据
5．4．2 实验结果
5．5 讨论和结论
小结
第6章 第一部分总结
6．1 内容总结
6．2 工作展望
第二部分 人脑磁共振图像的智能分析方法研究
第7章 人脑磁共振图像的智能分析方法研究概论
7．1 研究背景及意义
7．2 脑功能磁共振成像国内外研究现状
7．3 主要创新点
7．4 主要研究内容及章节安排
第8章 功能磁共振成像基础知识
8．1 功能磁共振成像原理
8．2 功能磁共振图像的两种采集状态
8．3 功能磁共振图像分析
8．3．1 基于ROI的静息态fMRI分析方法
8．3．2 基于体素的静息态fMRI分析方法
小结
第9章 基于ROI的静息态fMRI的关键脑区度量分析
9．1 引言
9．2 数据处理与方法实现
9．2．1 fMRI图像采集
9．2．2 fMRI图像预处理
9．2．3 脑网络构建与属性分析
9．2．4 基于主成分分析的关键脑区的度量方法实现过程
9．3 讨论和结论
小结
第10章 基于体素的静息态fMRI的近似熵分析
10．1 引言
10．2 数据处理与方法实现
10．2．1 fMRI图像采集
10．2．2 fMRI图像预处理
10．2．3 近似熵方法在静息态fMRI中的实现过程
10．2．4 统计分析
10．2．5 基于t检验的特征选择
10．2．6 基于SVM的fMRI数据分类
10．3 讨论和结论
小结
第11章 基于体素的静息态fMRI的样本熵分析
11．1 引言
11．2 数据处理与方法实现
11．2．1 fMRI图像采集
11．2．2 fMRI图像预处理
11．2．3 样本熵方法在静息态fMRI中的实现过程
11．2．4 基于均值差距率的近似熵和样本熵对比分析
11．3 讨论和结论
小结
第12章 基于体素的静息态fMRI的相邻数据依赖性分析
12．1 引言
12．2 数据处理与方法实现
12．2．1 fMRI图像采集
12．2．2 fMRI图像预处理
12．2．3 相邻数据依赖性方法在静息态下fMRI中的实现过程
12．2．4 统计分析
12．3 讨论和结论
小结
第13章 第二部分总结
13．1 内容总结
13．2 工作展望
附录A AAL模板中90个脑区域坐标位置
附录B 不同度量方法得到的FD患者90个脑区的关键性得分
附录C 不同度量方法得到的健康对照人群90个脑区的中心度得分
参考文献