随着MRI技术的快速发展,神经影像检测为退行性神经疾病诊断做出巨大贡献,但基于MRI图像的早期诊断门槛较高。使用计算机对MRI图像分析处理已得到逐步发展和普及,基于深度学习的方法可以为常见多发的神经退行性疾病影像诊断提供一种自动特征识别技术。本文针对脑部和腰椎中的退化疾病,构建了两种基于深度学习方法的特征识别网络,对MRI图像分析处理。研究内容如下:(1)针对脑部MRI图像,构建了一个对每个像素点分类的卷积神经网络。首先设置了三种输入的尺寸,对于每个尺寸都需要对网络的层数稍做调整,根据最终的实验结果选择最佳输入大小。该方法可以对脑部的组织进行分割,描绘出各组织的边缘及形状,根据各部分形状是否异常,可以判断出脑部组织是否发生退化,以此来辅助医生诊断病情。(2)针对腰椎MRI图像,构建了一个学习腰椎间相似性的卷积神经网络。该网络需要提供一节腰椎作为标签图像,往后的腰椎图像都作为搜索图像,与标签图像作对比,从而找到L1-L5节腰椎的位置并命名。由于腰椎目标框是水平的,而某些腰椎具有旋转角度,所以在改进实验中,对腰椎搜索图像增加了五个旋转角度,使目标框可以更好地贴合腰椎形状。根据最终检测到的相邻腰椎之间的旋转角度差,可以判断出该样本是否患有腰椎退行疾病,以及异常的腰椎位置。以上两种网络可以检测MRI图像中脑部的边缘、形状,以及腰椎的位置、类别,实验结果表明具有较好的识别准确度。根据检测出的特征,可辅助医生更快地判断该组织是否发生退化现象。