脑疾病目前已成为威胁人类的一大重要疾病,其中阿尔默茨海默病(Alzheimer’s disease,AD)是老年人脑疾病中难以诊断和治愈的一项重大疾病,会造成患者记忆力功能衰退、情感障碍等问题,AD目前在不同阶段中呈现不同程度的脑结构萎缩和膨胀,快速、精准的脑结构分割技术能够帮助临床有效地找到生物影像靶点、定位病灶。目前常使用的脑结构分割方法主要基于图谱配准的方式,刚性配准分割方法准确率低,非刚性方法速度慢,并均受到标准图谱与目标影像的差异性影响,不能得到很好的适用性。近年来深度学习技术在疾病识别、病灶定位与分割上取得突破,基于全卷积神经网络的分割和配准方法为该领域提供了新的解决思路。本文结合约翰霍普金斯大学提出的脑图谱,在阿尔默茨海默病神经影像学计划数据库的基础上构建了脑结构标签标准数据样本。标准的数据样本是实验的基础也是评价分割方法的关键,本研究在临床医生的帮助下,使用多图谱技术和人工结合的方式对数据进行筛选,建立了标准样本数据集。本文基于全卷积神经网络构建了脑结构组织的语义分割模型。本文分析对比了目前计算机视觉中较为流行同时被证实在医疗领域具备不错分割效果的全卷积神经网络结构FCN(Fully Convolutional Nerual Network)、SegNet,并在约翰霍普金斯大学教授提出的脑图谱上进行脑结构分割。其中SegNet分割效果好于FCN,可以在分割精度等级1下得到平均0.885、分割精度等级3下平均0.848的DC(Dice Coefficient)值,高于传统基于图谱配准方法的脑结构分割方法,但由于图像在三维重建后的连续性较差,为了解决该问题本文提出了特定的网络结构SUF-net,该网络在改善了图像连续性的同时提高了分割准确度,得到在分割精度等级1下0.902、分割精度等级3下0.861的平均DC值。本文利用所提出的分割网络辅助疾病诊断,建立了AD的早期诊断模型。根据临床与科研的先验知识,AD病人在不同阶段脑区的萎缩程度不同,本研究建立在该基础上,通过对指定脑区特征的识别实现对被试的疾病阶段分析,并针对不同的实验组别进行了多组对比实验,验证了所提出模型的有效性、实现了疾病的早期诊断,准确率高达98%。综上,脑结构分割与疾病早期模型组合共同构建了阿尔默茨海默病的分析、诊断工具,实现从读图、处理到诊断端到端的处理与分析。