脑功能网络的成组独立成分分析
功能磁共振成像论文 主成分分析论文 成组独立成分分析论文 统计参数映射论文 空间独立成分分析论文 时
论文详情
磁共振成像技术是脑科学研究中最为有效的手段之一,它可以直观的展示大脑结构和功能的相关测量。神经图像分析技术则能从原始图像中提取出揭示大脑结构和功能特性的有效信息,为探索大脑的奥秘奠定基础。本论文以功能磁共振图像数据的多变量分析方法(独立成分分析)为研究重点,作为对比,将单变量方法(统计参数映射)也应用到了图像数据的处理中。由于数据处理对象是磁共振图像数据,因此,首先对磁共振成像技术的相关知识进行简要介绍;接着介绍了主成分分析和独立成分分析的理论知识,为成组独立成分分析方法的提出做铺垫;将成组独立成分分析方法应用到功能磁共振图像数据中,成功提取出了多个脑功能网络,并对每个功能网络进行了分析,然后将统计参数映射也应用到图像数据的分析中,对提取出的激活脑区进行了解析,并对这两种不同的方法进行了总结和对比;最后将功能磁共振图像数据进行平均化处理,然后再分别利用统计参数映射、时间独立成分分析和空间独立成分分析对图像数据进行分析,从激活脑区的结果来看,对磁共振图像数据进行平均化是合理而有效的,并对平均化处理之后的三种方法进行了总结和对比。
摘要 | 第9-10页 |
ABSTRACT | 第10页 |
第一章 绪论 | 第11-15页 |
1.1 课题背景 | 第11-13页 |
1.2 本文所解决的问题 | 第13页 |
1.3 全文结构概述 | 第13-15页 |
第二章 磁共振成像技术 | 第15-21页 |
2.1 核磁共振技术的发展历程 | 第15页 |
2.2 磁共振成像原理 | 第15-17页 |
2.3 功能磁共振成像 | 第17-18页 |
2.4 功能磁共振图像数据特点 | 第18-19页 |
2.5 磁共振数据分析方法 | 第19-21页 |
第三章 主成分分析(PCA)和独立成分分析(ICA) | 第21-32页 |
3.1 主成分分析 | 第21-25页 |
3.1.1 方差极大化的PCA | 第21-23页 |
3.1.2 最小均方误差压缩的PCA | 第23-24页 |
3.1.3 选择主成分的个数 | 第24页 |
3.1.4 PCA 的封闭形式计算 | 第24-25页 |
3.2 独立成分分析 | 第25-32页 |
3.2.1 模型定义和基本约束 | 第25-27页 |
3.2.2 ICA中的不确定性因素 | 第27页 |
3.2.3 变量的中心化 | 第27-28页 |
3.2.4 ICA估计方法 | 第28-29页 |
3.2.5 ICA在fMRI数据分析中的应用 | 第29-32页 |
第四章 成组空间独立成分分析与统计参数映射 | 第32-53页 |
4.1 成组空间独立成分分析 | 第32-46页 |
4.1.1 成组空间独立成分分析模型 | 第32-33页 |
4.1.2 数据预处理 | 第33-34页 |
4.1.3 数据降维 | 第34页 |
4.1.4 独立成分的估计 | 第34-35页 |
4.1.5 数据反重构 | 第35页 |
4.1.6 成组空间独立成分分析的优势 | 第35-36页 |
4.1.7 实际数据分析 | 第36-46页 |
4.2 统计参数映射 | 第46-51页 |
4.2.1 统计参数映射理论 | 第46-48页 |
4.2.2 统计参数映射在实际数据中应用 | 第48-51页 |
4.3 方法总结 | 第51-53页 |
第五章 基于平均脑的成组独立成分分析与统计参数映射 | 第53-63页 |
5.1 平均脑的SPM分析 | 第53-55页 |
5.2 平均脑的时间独立成分分析(tICA) | 第55-59页 |
5.3 平均脑的空间独立成分分析(sICA) | 第59-61页 |
5.4 方法总结 | 第61-63页 |
第六章 总结与展望 | 第63-66页 |
6.1 论文总结 | 第63-64页 |
6.2 未来工作展望 | 第64-66页 |
致谢 | 第66-67页 |
参考文献 | 第67-71页 |
作者在学期间取得的学术成果 | 第71页 |
论文购买
论文编号
ABS1122103,这篇论文共71页
会员购买按0.30元/页下载,共需支付
21.3。
不是会员,
注册会员!
会员更优惠
充值送钱!
直接购买按0.5元/页下载,共需要支付
35.5。
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文