阿尔茨海默病(Alzheimer’s Disease,AD)和癫痫(epilepsy)都是神经内科常见的慢性疾病,其发病机制复杂,不仅严重侵害患者的身心健康,也给家庭和社会带来了沉重负担。两者在病因和病理改变等方面具有一定的相关性。随着机器学习技术的兴起,越来越多的自动诊断技术被相继提出,该技术能为医生提供客观且一致性和重复性均良好的参考信息,以对患者进行正确的干预与治疗。磁共振成像(Magnetic Resonance Imaging,MRI)作为常用的脑部临床检查手段,在AD与癫痫的诊断与治疗中起着重要的作用,开发针对这两种疾病的MRI自动分析方法具有非常重要的现实意义。本文针对AD和癫痫的MRI自动识别相关技术开展了三项研究,其主要内容及成果包括:1.提出了一种融合MRI、临床和遗传数据的神经网络架构,以预测轻度认知障碍患者是否具有高AD转化风险。考虑到一些临床、遗传因素可能影响转化,除MRI数据外,还将临床数据和遗传数据纳入研究,构造了3D卷积神经网络以处理MRI数据,应用了多模态数据融合策略以结合各来源的信息。临床数据和遗传数据的引入提升了对AD转化的预测效果,表明该研究在AD预后辅助诊断系统的开发中具有潜力与价值。2.提出了一种利用多模态MRI的3D卷积神经网络架构,以分割灰质、白质和脑脊液三类脑组织。该网络借助了全卷积网络的语义分割思想,基于编码器-解码器结构,以多模态MRI数据作为输入,并且结合了残差单元和扩张卷积。多模态MRI和扩张卷积的引入对各项指标的提升明显,表明该研究可应用于自动脑组织分割系统的开发。3.提出了一种同时适用于AD与癫痫两类疾病MRI自动识别的方法。该方法基于体素形态学分析的思想,由预处理、特征提取和分类三个步骤组成,对其中的脑组织类别和特征提取方法的选择进行了研究,以找到最适合实验样本的组合。目前针对癫痫的自动识别系统较少,该研究可为相关辅助诊断系统的开发提供参考。