阿尔茨海默症(Alzheimer’s Disease,AD)俗称老年痴呆症,目前,越来越多的老人正遭受着阿尔茨海默症带来的痛苦。临床研究显示,轻度认知障碍(Mild Cognitive Impairment,MCI)转化为阿尔茨海默氏症的概率很高,但是若能在MCI阶段对其进行药物治疗,病情是可以康复的,因此能及时发现症状对有效治疗和预防脑组织损伤至关重要。本文的首要任务是提高阿尔茨海默症初期诊断的准确率。由于医学领域的特点,构建带标注信号的一定规模的数据集非常困难,导致现有深度学习方法难以应用于医学影像分析以至于深度学习的结果并不理想。故本文提出首先采用数据增广方式对原来数据集的规模进行一定数量的扩充,然后采用一种针对核磁共振图像(Magnetic Resonance Imaging,MRI)识别的端到端的深度神经网络分类器(MCINet);同时再结合迁移学习方式对MCINet模型进行有效训练而不至于过拟合。MCINet模型首先使用大型公共数据集对较低层次的特征提取器参数进行训练,再使用MRI数据集对部分卷积层进行参数调节,从而使得训练学得的参数更加逼近全局最优解。从实验结果上看出针对数据集规模比较小的情况采用本文的方法得到解决从而表明本文提出的方法在较少带标记训练样本的情形下,也获得较高的准确率。最后,本文应用不同的可视化方法对CNN进行可视化,这对于理解CNN的决策、增加临床影响和基于计算机的决策支持系统都至关重要。而且,在医疗决策中,解释网络模型的行为并让医学专家进行验证诊断是不可或缺的一步。虽然CNN可以提供良好的分类结果,但由于其难以可视化和解释,使其在医学领域中并不能发挥关键性作用。因此,本文应用两种不同的可视化方法对训练后的模型进行分析。该模型通过3D卷积神经网络的方式对阿尔茨海默症初期进行检测。本文将对网络分类有决定性作用的输入图像中相关区域进行突出显示并根据这些可视化的结果来帮助临床医生进行精准的诊断。