1. 研究目的与意义（文献综述包含参考文献）
文 献 综 述人类脑结构和脑功能的复杂程度远远超出我们当前的认识能力，探索人类大脑的工作机制是21世纪科学领域最重大的挑战之一。
近年来，随着医学影像技术的成熟和发展，为我们提供了大脑多角度的解剖图像，如功能磁共振成像（functional magnetic resonance imaging, fMRI）[1]、结构性磁共振成像（structural magnetic resonance imaging, sMRI）[2]、正电子发射断层成像（positron emission tomography, PET）、计算机断层成像（computed tomography, CT）等，因此使用不同种影像技术为同一个对象收集多种模态数据的形式已经被研究人员广泛采用[3,4]。
各种模态从不同角度反映了大脑信息，但各有其优缺点，比如，结构图像（如 CT、sMRI）的分辨率较高，能清晰地反映器官的结构形态，但无法提供器官的功能信息；而功能图像（如 fMRI、PET）能准确地提供器官的新陈代谢信息，但分辨率较低无法显示器官和病灶部位的解剖细节。
2. 研究的基本内容、问题解决措施及方案
本课题要解决的问题单一模态的医学图像只能提供人体某一方面的信息，但实践中往往需要综合分析多幅不同模态医学图像来进行病情诊断，故本文致力提出一种基于深度学习的多模态医学图像融合方法，以此来综合不同模态医学图像的优点，减少各自缺点，使得在一幅融合图像中综合的表达不同的医学图像信息，并在此基础上进行脑疾病的识别。
拟采用的研究手段本文的多模态脑图像融合的大致流程如下： 2.1多模态脑图像数据采集2.1.1自闭症脑成像数据交换计划ABIDEABIDEII数据集是从实验室收集的功能性和结构性脑成像数据形成的数据集，旨在加速对自闭症神经基础的理解。
该数据集由21个国际影像站点合作，这些影像站点聚集并公开分享来自620名孤独症谱系障碍（Autistic Spectrum Disorder, ASD）患者和570名典型对照的神经影像数据。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
