基于功能磁共振成像的大脑架构表达的研究
发布时间：2024-03-01 00:19
现代磁共振技术的发展使得人类可以在无伤害的前提下获得大脑内部的图像。通过不同模态的图像,我们不仅能够观察和区分不同的大脑结构,而且令人兴奋的是,基于功能磁共振成像我们还可以记录和衡量大脑的功能活动状态。这为揭开大脑之谜,探索大脑的功能体制和架构提供了新的途径和线索。随着神经科学、认知科学、以及心理学的发展,一些复杂系统模型开始被逐渐纳入大脑功能的研究。其中大脑功能网络的假说被广泛研究和推崇。目前领域内对于功能网络的研究主要分为两个分支:大尺度的“节点-连接”模型和像素级别“成分分析”模型。“节点-连接”模型研究的最大难点是网络节点的选择,而“成分分析”模型的重要问题便是定义符合神经活动的成分间关系。本文应对这两个难点提出采用DICCCOL作为“节点-连接”模型的节点,而采用稀疏性来描述神经活动特点。DICCCOL(音[’daik?l],是英文Dense Individualized and Common Connectivity-based Cortical Landmarks的首字母缩写,意为密集的、个体化且共有的基于连接模式的大脑皮层节点)系统作为大脑结构网络研究的杰出代表在领域内...
【文章页数】：159 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 基于磁共振成像的大脑功能研究的动态
1.2 网络表达是功能架构描述的适用模型
1.3 大脑功能网络表达面临的挑战
1.3.1 “节点—连接”网络模型的主要难点
1.3.2 “成分分析”网络建模方法的主要问题
1.4 本论文的研究内容和主要贡献
1.5 论文章节安排
第2章 成像原理与数据分析方法
2.1 核磁共振成像原理
2.1.1 功能核磁共振图像
2.1.2 DTI图像
2.2 图像预处理方法
2.2.1 DTI图像预处理方法
2.2.2 fMRI图像预处理方法与激活检测
2.3 DICCCOL大脑定位系统
2.3.1 TraceMap：神经纤维束连接模式的特征描述
2.3.2 DICCCOL的训练与产生
2.3.3 新个体的DICCCOL预测
2.4 字典学习与稀疏编码
2.4.1. 字典学习与稀疏编码问题
2.4.2. Online字典学习与稀疏编码算法
2.4.3. 随机坐标下降算法（Stochastic Coordinate Coding）
2.5 本章小结
第3章 关于大脑网络激活的研究
3.1 基于DICCCOL的群组级别激活检测
3.1.1 数据和处理
3.1.2 方法
3.1.3 结果
3.1.4 结论与讨论
3.2 基于DICCCOL的大脑连接激活检测
3.2.1 数据与处理
3.2.2 方法
3.2.3 结果
3.2.4 结论与讨论
3.3 本章小结
第4章 大脑功能网络复杂结构的描述
4.1 人类认知系统的多层次表达
4.1.1 数据与处理
4.1.2 方法
4.1.3 结果
4.1.4 结论
4.2 基于DICCCOL的可重叠大脑功能网络的描述
4.2.1 数据与处理
4.2.2 方法
4.2.3 结果
4.2.4 结论
4.3 本章小结
第5章 全脑功能网络的稀疏表达
5.1 基于全脑任务态fMRI信号稀疏表达的初步探索
5.1.1 数据与处理
5.1.2 方法
5.1.3 结果
5.1.4 结论及讨论
5.2 基于大规模HCP数据的全脑网络图谱与交互的研究
5.2.1 数据与处理
5.2.2 方法
5.2.3 结果
5.2.4 结论与讨论
5.3 本章小结
第6章 基于网络稀疏表达的拓展研究与应用
6.1 一种针对于全脑网络表达的有监督稀疏编码方法
6.1.1 引言
6.1.2 数据与处理
6.1.3 方法
6.1.4 结果
6.1.5 结论与讨论
6.2 全脑网络稀疏表达在疾病诊断上的应用
6.2.1 引言
6.2.2 数据与处理
6.2.3 方法
6.2.4 结果
6.2.5 结论与讨论
6.3 本章小结
第7章 总结与展望
7.1 论文工作总结
7.2 论文工作展望
参考文献
附录
附录 1：数据集与预处理
博士期间的工作成果
发表的杂志文章
发表的会议文章
致谢
本文编号：3915151
【文章页数】：159 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 基于磁共振成像的大脑功能研究的动态
1.2 网络表达是功能架构描述的适用模型
1.3 大脑功能网络表达面临的挑战
1.3.1 “节点—连接”网络模型的主要难点
1.3.2 “成分分析”网络建模方法的主要问题
1.4 本论文的研究内容和主要贡献
1.5 论文章节安排
第2章 成像原理与数据分析方法
2.1 核磁共振成像原理
2.1.1 功能核磁共振图像
2.1.2 DTI图像
2.2 图像预处理方法
2.2.1 DTI图像预处理方法
2.2.2 fMRI图像预处理方法与激活检测
2.3 DICCCOL大脑定位系统
2.3.1 TraceMap：神经纤维束连接模式的特征描述
2.3.2 DICCCOL的训练与产生
2.3.3 新个体的DICCCOL预测
2.4 字典学习与稀疏编码
2.4.1. 字典学习与稀疏编码问题
2.4.2. Online字典学习与稀疏编码算法
2.4.3. 随机坐标下降算法（Stochastic Coordinate Coding）
2.5 本章小结
第3章 关于大脑网络激活的研究
3.1 基于DICCCOL的群组级别激活检测
3.1.1 数据和处理
3.1.2 方法
3.1.3 结果
3.1.4 结论与讨论
3.2 基于DICCCOL的大脑连接激活检测
3.2.1 数据与处理
3.2.2 方法
3.2.3 结果
3.2.4 结论与讨论
3.3 本章小结
第4章 大脑功能网络复杂结构的描述
4.1 人类认知系统的多层次表达
4.1.1 数据与处理
4.1.2 方法
4.1.3 结果
4.1.4 结论
4.2 基于DICCCOL的可重叠大脑功能网络的描述
4.2.1 数据与处理
4.2.2 方法
4.2.3 结果
4.2.4 结论
4.3 本章小结
第5章 全脑功能网络的稀疏表达
5.1 基于全脑任务态fMRI信号稀疏表达的初步探索
5.1.1 数据与处理
5.1.2 方法
5.1.3 结果
5.1.4 结论及讨论
5.2 基于大规模HCP数据的全脑网络图谱与交互的研究
5.2.1 数据与处理
5.2.2 方法
5.2.3 结果
5.2.4 结论与讨论
5.3 本章小结
第6章 基于网络稀疏表达的拓展研究与应用
6.1 一种针对于全脑网络表达的有监督稀疏编码方法
6.1.1 引言
6.1.2 数据与处理
6.1.3 方法
6.1.4 结果
6.1.5 结论与讨论
6.2 全脑网络稀疏表达在疾病诊断上的应用
6.2.1 引言
6.2.2 数据与处理
6.2.3 方法
6.2.4 结果
6.2.5 结论与讨论
6.3 本章小结
第7章 总结与展望
7.1 论文工作总结
7.2 论文工作展望
参考文献
附录
附录 1：数据集与预处理
博士期间的工作成果
发表的杂志文章
发表的会议文章
致谢
本文编号：3915151
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3915151.html
