声明
第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 卷积神经网络及其在医学领域的研究现状
1.2.2 ADHD自动诊断的研究现状
1.2.3现有人工智能疾病诊断方法存在的问题
1.3 主要研究内容
1.4 论文结构安排
1.5 论文使用的符号表
第2章 卷积神经网络理论知识
2.1 卷积神经网络
2.2 卷积神经网络的结构
2.2.1 输入层
2.2.2 卷积层
2.2.3 采样层
2.2.4 全连接层
2.2.5 输出层
2.3 卷积神经网络优化算法
2.3.1 反向传播算法
2.3.2 基于Nesterov动量的梯度下降法
2.4 本章小结
第3章 基于CNN-SVM的单通道ADHD图像自动诊断
3.1 问题描述
3.2 ADHD自动诊断系统
3.3 数据介绍
3.3.1 实验数据来源
3.3.2 交叉验证方法
3.4 基于CNN-SVM的单通道ADHD图像自动诊断方法
3.5实验与结果分析
3.5.1 实验平台
3.5.2 实验内容
3.5.3诊断结果与分析
3.6 本章小结
第4章 基于迁移学习与深度CNN的三通道ADHD图像自动诊断
4.1 问题描述
4.2 实验数据集
4.3 ADHD图像处理方法
4.3.1 ADHD图像增强
4.3.2 数据扩增方法
4.4 基于迁移学习与深度CNN的三通道ADHD自动诊断方法
4.4.1 深度CNN架构：ADHDNet
4.4.2 CNN训练与CNN迁移学习
4.5 算法评价指标
4.6 实验与结果分析
4.6.1 实验平台
4.6.2实验内容
4.6.3诊断结果与分析
4.7 本章小结
第5章基于改进型3D CNN的多通道ADHD图像自动诊断
5.1 问题描述
5.2 实验数据集
5.3 ADHD图像增强方法
5.4改进型3D CNN模型的结构
5.5 实验与结果分析
5.5.1实验平台
5.5.2 实验内容
5.5.3诊断结果与分析
5.6 本章小结
第6章 总结与展望
6.1 总结
6.2 展望
致谢
参考文献
攻读学位期间的研究成果
南昌大学;
