近年来,人工智能技术得到了迅速发展,深度学习作为人工智能技术的重要组成部分不仅在金融,农业,交通等领域得到广泛应用,而且医学领域的研究也逐渐增多,在医学领域,深度学习在病灶分割、目标检测、疾病诊断、图像分类等方面取得了突出成就。在各类癌症、脑血栓、心脏病、皮肤病、帕金森病、癫痫、抑郁症等疾病的研究中取得了丰硕的研究成果。然而,由于一些客观原因使得人工智能在阿尔兹海默病方面的实践应用还相对较少。阿尔兹海默症(Alzheimer’s disease,AD)作为一种不可逆的神经退行性疾病,由于这种疾病通常发生在中老年人群身上,所以我们也把这种疾病俗称为老年痴呆症。随着病情的发展患者通常会出现认知能力下降,记忆功能衰减,严重的会出现生活能力完全丧失等症状。目前由于对于该疾病的发病机制尚不明晰,所以依靠现今的医疗手段还无法根治,同时由于该疾病起病隐匿且其病情的发展往往比较缓慢,当患者症状明显才得以确诊时其大量神经元已经发生不可逆性的死亡。早发现、早干预是应对该疾病的最佳处理方式。近年来随着科技的发展人们可以通过实验室和影像学检查等方法并综合其它检查结果对病情做出诊断,借助医学影像的检查结果可以在一定程度上辅助脑科医生提高对阿尔兹海默症诊断的准确率。但是通过实验室和影像学的检查所得到的医学影像的变化非常微小,难以用肉眼观察,有其难以弥补的局限性。更重要的是该疾病诊断的准确率往往与医生经验丰富程度有关,所以在实际诊疗过程中漏诊、误诊的现象时常出现,对于阿尔兹海默症的精准诊断一直是困扰医学界的一大难题。面对阿尔兹海默症诊断难的问题,本课题提出了以175名健康人群和287名临床阿尔兹海默症患者的总共920余张T1加权大脑MRI医学影像数据集为基础通过数据优化和神经网络模型的优化,最终训练出一个可以对阿尔兹海默症进行精准检测和分类的神经网络模型,以此辅助脑科医生提高对阿尔兹海默症诊断的准确率。在课题整个研究过程中创建了阿尔兹海默症医学影像数据集,原始的数据集总共包含约920张大脑MRI医学影像,同时我们根据医学影像中映射出患者病情的严重程度对数据集进行类别划分,原始的数据集一共划分为健康,轻度,中度和重度四个类型。为了提升模型训练的效果我们需要对数据集进行有效的数据预处理和深度处理。预处理的过程主要包括三个步骤:数据筛选、数据命名、大小归一化等简单操作,目的是使医学影像数据集符合神经网络模型的结构要求,方便后续的图像特征提取等操作。深度处理包括数据增强、特征增强等过程,主要是通过对数据集的优化提升神经网络模型训练的准确率。根据课题要求我们将整个实验流程划分成两个阶段分别训练出两个分类精度不同的神经网络模型。第一阶段将原始数据集分为健康、患病两种类型,目标训练一个可以对人脑MRI医学影像进行健康和患病检测的二分类神经网络模型。第二阶段我们将数据集划分为四种类型:健康、轻度、中度、重度,目标训练一个可以对人脑MRI医学影像进行健康、轻度、中度、重度患病检测的四分类神经网络模型。在神经网络模型的设计上针对本文中影像数据集数量有限的显著特点,通过模型对比最初选用了一种轻量化的神经网络进行模型训练。与其他卷积神经网络相比SqueezeNet可以用不到AlexNet五十分之一的参数量实现同等甚至是超水平的训练效果,在多项国际图像识别大赛中取得骄人的成绩。但是面对SqueezeNet网络中由于过度压缩参数,存在准确率不理想的问题,我们通过在上述网络中引入残差思想增加跳层结构,拓展网络宽度,优化激活函数等一系列的方法改进SqueezeNet,我们将改进后的新型的轻量化的神经网络模型命名为NewNet。改进后的轻量化神经网络模型在略增加参数的前提下提高了影像分类的准确率和效率。通过反复试验,NewNet在二分类的试验中测试集的分类识别的精确度最高达到了 93.47%。在四分类试验中测试集的识别的精确度可达87.85%,不仅高于 SqueezeNet,而且高于 LeNet、Alexnet、GoogleNet、VGG16、ResNet等主流神经网络模型,实验目的初步达到。本课题的基本实验环境是Intel酷睿i5 4570(4×3.2 GHz处理器)、16 GB内存、GPU为GTX1080Ti显卡以及基于Ubuntu16.04操作系统下运用TensorFlow2.0学习框架,集成开发环境为Spyder3.3.3,利用Python3.6语言作为程序编辑语言。当前人工智能已广泛运用到各行各业中,相信基于深度学习的阿尔兹海默症智能检测和分类技术必将在成为脑科医生手中精准诊断疾病的一把利剑。