阿尔茨海默症（AD）是一种影响全球老年人口,且不可治愈的神经退行性疾病,对社会及经济产生了重要的影响。此症的病理特征表现为神经纤维缠结和淀粉样斑块,究其原因是大脑的神经退化直接相关。对AD的早期跟踪和诊断,是保证患者可得到最佳护理并对疾病改变性治疗进行监测的重要手段。为了能够更好地诊断和检测AD,以正电子发射断层扫描（PET）和磁共振成像（MRI）等具有成像特性的成像生物标记方法起到了至关重要的作用。临床医生也极大地受益于基于此类图像的自动患者分类技术。以卷积神经网络（CNN）为代表的深度学习（DL）方法是一种当前最前沿的特征提取和分类技术,该类技术可以从一个庞大的带标记数据集（如一组图像或基因组）中提取原始特征,并以此为基础创建一个基于隐藏于数据中某些模式的预测算法。此类算法一旦完成训练,即可以利用训练得到的知识来解析各种不同源的数据。本文尝试使用MRI和PET神经成像来研究阿尔兹海默症早期检测的深度学习技术。使用的数据集来自开放获取系列成像研究（OASIS）和阿尔茨海默病神经成像计划（ADNI）。针对以下任务的高效CNN架构新方法是非常值得研究的,本文针对不同二分类和多分类任务、数据过滤方法的影响、数据扩充技术的影响,以及两个现代CN N框架中使用最广泛的两个元素——批归一化和失活技术之间不协调的影响四个方面开展研究。本文使用迁移学习架构以及自定义2D、3D架构等CNN的不同变体对二分类和多分类问题展开研究。此外,对现有的诸如跨域迁移学习、图像过滤、数据扩充、以及批归一化和失活技术之间的不协调等进行探索,并对由此带来的影响进行分析。本文的主要目的是研究这些技术对AD早期检测的影响。论文共分为四部分,每一部分都考察了不同参数对CNN区分三种类型诊断能力的影响:AD、轻度认知障碍（MCI）和正常对照（NC）。轻度认知障碍是AD和NC之间的中间阶段,位于NC和AD之间的连续状态上,具有向更高阶段AD发展的可能。论文第一部分研究了表征学习,如2D和3D-CNN迁移及非迁移学习结构,使用MRI和PET对进行AD早期诊断的影响。这里的目标是寻找区分AD、MCI和NC类的最佳表示形式。所得结果表明,使用PET模态数据训练的自定义3D CNN结构优于使用MRI和PET模态数据训练的2D和3D-CNN结构。此外,论文研究了类不平衡和数据泄漏等问题。类不平衡是影响这些体系结构性能的一个关键问题。论文首次使用Xception迁移学习架构来表征学习对阿尔兹海默症早期诊断的影响,并在AD-NC、MCI-AD和AD-NC-MCI分类任务上得到性能提升。论文的第二部分研究了三种数据增强方法,包括随机弱高斯模糊、随机放大/缩小、随机宽度/高度偏移等方法对使用MRI和PET进行AD早期诊断的影响。本部分目标是研究这些数据增强方法如何影响深度学习体系结构的性能。仿真结果表明利用随机放大/缩小、随机弱高斯模糊增强和随机宽度/高度偏移的CNN结构表现出更好的性能。此外,这些增强方案并不能缓解涉及MRI神经成像模式的辨别任务的类别不平衡问题。论文首次将随机弱高斯模糊增强用于多类分类,并使用这些增强方法在AD-NC、MCI-AD和AD-NC-MCI分类任务上获得性能提升。论文的第三部分研究了图像滤波技术对PET神经成像AD早期诊断的影响。此部分,主要研究了盒滤波、高斯滤波、修正高斯滤波以及中值滤波四种算法的影响,其目的是使用这四种方法来量化3D-CNN架构的性能。使用盒滤波、修正高斯滤波、中值滤波和高斯滤波数据训练的3D-CNN结构分别在AD-NC、AD-MCI、NC-MCI和AD-NC-MCI分类任务中表现最好。值得注意的是,对于这些任务,没有任何一种过滤方法优于其他方法。论文首次使用这些过滤算法,并分别在A D-NC、MCI-AD和AD-NC-MCI分类任务上获得性能提升。最后,论文的第四部分研究了批归一化和失活技术之间的不协调对使用PET和MRI神经成像进行AD早期诊断的影响。此部分在三种场景下研究这些技术的影响:（1）没有失活但有批归一化的训练,（2）在softmax层之前只增加一个失活层的训练,（3）在失活层和批归一化层之间引入一个卷积层的训练。对于AD-N C二元分类任务、AD-MCI二元分类任务和AD-NC-MCI多类分类任务,在场景（2）下训练的体系结构是最好的;对于NC-MCI二元分类任务,在场景（1）下训练的体系结构是最好的。本文研究了此现象以用于AD早期诊断,并在AD-NC、MC I-AD和AD-NC-MCI分类任务中获得性能提升。综上这些结果表明,基于图像和结构体的分类可以支持阿尔兹海默症早期诊断,并且是促进这一领域的深入研究的可能生物标志物。