阿尔茨海默症（Alzheimer`s Disease, AD）是一种中枢神经系统变性疾病，是最常见的痴呆原因也是老年人最常见的致死原因。由于目前尚无有效药物可以减缓或治愈AD，所以公认最有效的治疗方法即为在疾病发展早期减缓或阻止疾病的进展。因此，开展AD早期预测算法的研发，提高疾病的早期诊断率与准确率具有十分重要的意义。

本文研究基于结构磁共振影像（structural Magnetic Resonance Imaging，sMRI）的脑区分割与AD早期预测方法。具体来说，首先研究细粒度脑区分割方法，并在此基础上进行AD早期预测，即预测轻度认知障碍(Mild Cognitive Impairment, MCI)患者是否会在未来36个月内转化为AD。论文的主要创新性研究成果如下：

提出了一种基于自集成网络与多视角半监督的细粒度脑区分割方法来克服三维分割网络显存消耗过大和标记样本不足的问题。本方法基于全卷积网络进行三维脑区分割，通过图像块适配模块和自集成分类模块可以在有限显存消耗下学习到人脑大范围结构信息和复杂纹理信息。并且在多视角半监督方法中，通过独立训练不同子空间的分割模型组成集成模型，在大量无标记样本上指导分割模型的训练，降低样本标记不足造成的影响。实验表明，本方法在速度和精度方面均优于对比方法。在TITAN X GPU上分割一张人脑sMRI图像的时间是3秒，远快于基于配准的方法和基于深度学习的方法，适合于大规模数据处理场景。同时本方法经修改后，参加多模态脑肿瘤分割竞赛（Multimodal Brain Tumor Segmentation Challenge，BraTS），在510支注册队伍中获得第二名。

提出了一种基于自适应全局网络与对称一致性损失的细粒度脑区分割方法，进一步克服三维分割网络显存消耗过大和标记样本不足的问题。本方法基于全卷积网络进行三维脑区分割，通过自适应全局网络结构在有限显存资源下学习人脑完整的全局结构信息，并利用对称一致性损失，将人脑两半球对应脑区在无标记样本上进行相互学习，降低样本标记不足造成的影响。实验表明，本方法在速度和精度方面均优于对比方法。在TITAN X GPU上分割一张人脑sMRI图像的时间在1秒以内，远快于其它分割方法，适合于大规模数据处理场景。

提出了一种基于区域集成网络与关系正则化损失的AD早期预测方法来克服病灶区域小和标记样本不足的问题。本方法基于深度神经网络进行AD早期预测，利用上文设计的细粒度脑区分割算法构建区域集成网络，独立学习不同脑区的图像特征，避免关键小脑区特征难以学习的问题。同时本方法利用关系正则化损失，通过建模疾病不同阶段样本间关系扩充训练集合并正则化训练过程。实验表明，本方法在精度方面优于对比方法，并且可以定量评价不同脑区对于预测的贡献，对预测结果进行解释。

提出了一种基于分层注意力网络的AD早期预测方法来克服深度神经网络模型难以解释的问题。本方法基于深度神经网络进行AD早期预测，根据人脑解剖学知识和脑区分割结果，通过分层注意力网络对人脑结构进行分解，建立细粒度脑区与预测结果间的关系，对预测结果进行解释。实验表明，本方法可以更细致地描述不同脑区与疾病间关系，并且分类性能与粗粒度脑区预测模型保持一致。