阿尔兹海默症是一种通常发生在老人身上的神经退行性疾病,也被称作老年痴呆症,根据患病程度的不同可将此疾病分为患有阿尔兹海默症(Alzheimer’s disease,AD),轻度认知障碍(mild cognitive impairment,MCI)和正常(normal control,NC)三类。AD为不可治愈性疾病,如果能在MCI期间发现,并采取一定措施治疗可以延缓其发展,减少对患者及其家庭带来的影响,因此AD早期诊断具有重要意义。本文基于深度学习,使用ADNI数据集的核磁共振图像,对AD早期诊断展开研究,具体研究内容如下:(1)提出了基于端到端微调卷积神经网络的AD早期诊断方法。基于传统机器学习方法的AD诊断,通常需要手工提取特征和分类器的构建两步,诊断过程分离了特征提取和分类器的训练。本文采用基于端到端微调卷积神经网的方法进行AD早期诊断,卷积神经网络由卷积基和分类器两部分组成。在对对卷积神经网络的训练中,首先固定其卷积基参数不变,只调整分类器的参数。待模型趋于稳定,解冻卷积基顶部几层卷积层,联合上步训练好的分类器微调模型,从而学习AD诊断相关高级特征。为了获得更好的分类结果,本文引入集成学习的方法,其中选用Res Net50,NASNet和Mobile Net作基分类器,最终将基分类器的结果集成,作为AD早期诊断的结果。此方法在AD和MCI的二分类上获得了97.65%的分类精确度。(2)提出了基于选择核卷积与注意力机制卷积神经网络(selective kernel network with attention mechanism,SKANet)的AD早期诊断方法。SKANet不同于普通卷积神经网络通过卷积层的堆叠来增加网络深度,网络通过对具有相同拓扑结构的残差块的堆叠来增加网络深度,提高模型性能,减少模型设计的复杂度。SKANet在残差块中引入了选择核(selective kernel,SK)卷积,SK卷积不同于普通卷积每层只有单一大小的卷积核来提取特征,SK卷积在同一层设计不同大小的卷积核,通过门机制来自适应的调整感受野的大小;其次在残差块的末端引入了注意力机制,用来加强对关键信息的学习和减弱对次要信息的学习。使用SKANet在AD,MCI和NC的三分类上获得了94.21%的精确度,在AD和MCI的分类上获得了98.82%的精确度。进一步证实了本文提出的SKANet在AD早期诊断上的有效性。