人脑,作为世界上最复杂的系统之一,连接的数量超过数千亿。大脑是人类情感、思维、认知、行为、情绪等产生的来源,是自然界留给人类的最后一个密码本。磁共振成像(Magnetic Resonance Imaging,MRI)技术为我们揭开人脑的奥秘奠定了坚实的技术基础。例如人脑结构磁共振成像(Structural Magnetic Resonance Imaging,sMRI)可以用来反映人脑结构上的特点与变化,而功能磁共振成像(Functional Magnetic Resonance Imaging,fMRI)则能够反映人脑的功能活动模式,帮助人们更好地理解人脑的思维模式和活动规律。近年来,机器学习方法的兴起在计算机视觉和模式识别领域引起了广泛的关注。相比于传统的统计分析方法,机器学习方法能够在人脑中提取出更多人眼不可见的信息,为模式分类、组间差异分析提供了新的视角和平台。本文,利用了三种机器学习方法,分别是三维特征提取技术、组稀疏编码技术以及深度学习技术,用于解决人脑性别鉴别、精神分裂症组间差异分析、多中心大数据脑影像分类问题,论文主要包括以下三个方面的工作。基于三维特征提取的人脑磁共振性别鉴别。通过检测人类大脑来判断性别信息,不是一项简单的任务,因为人脑的空间结构是极其复杂的,并且直接通过肉眼是看不出任何区别的。在本文中,我们提出了一个全新的三维特征描述算子:三维加权梯度方向直方图(Three Dimensional Weighted Histogram of Gradient Orientation,3D WHGO),用来描述人脑中的复杂空间结构。我们提出的三维特征描述算子融合了信号强度的局部信息和全脑的三维空间全局信息。我们还改进了一个算法框架,用于处理基于人脑磁共振成像数据的三维图像分类问题。这个框架,三维空间金字塔,增加了特征之间的空间关系作为额外的信息。我们提出的方法能够在个体水平区分性别。我们通过使用个体磁共振成像扫描的性别鉴别来测试我们的方法,这些扫描是来自于四个研究中心的大量健康成年人样本,在优化参数下,我们得到了区分女性和男性高达个体水平的精度。与之前的方法相比,我们提出的方法获得了更高的正确率,表明这项技术具有更高的判别能力。正是因为在性别鉴别上具有更好的性能,我们提出的方法可能在临床实践和在精神神经疾病的研究中有潜在的能力。基于组稀疏编码的精神分裂症研究。静息态功能磁共振成像数据已经成为分析认知功能和精神疾病损伤强有力的技术手段,这些精神疾病包括精神分裂症。过去的组分析方法都是基于人脑中某个脑区在某个脑功能网络中进行的研究,然而最近有研究表明一些脑区是同时地参与到多个功能网络的活动中。在本文中,我们提出了一个新的机器学习方法,称作组间稀疏编码,用来在静息态功能磁共振成像信号中寻找精神分裂症病人与健康对照组之间的差异。我们的分析是基于全脑体素信号的组水平稀疏表达。本文研究了组稀疏编码方法在精神分裂症分析中的应用,试图通过这样的方法寻找精神分裂症区分于正常人的特征模式。首先,我们提取出所有被试的功能磁共振成像信号,这些数据通过预处理的过程已经映射到标准的MNI模板空间,以此构建一个大规模的输入信号矩阵。其次,我们使用字典学习和稀疏编码的方法来获得系数矩阵。接着,我们使用双样本t检验的方法来分析精神分裂症病人相比于正常人增强和减弱的活动模式。最后,使用AAL模板来分析检测到的区域分布情况。我们在COBRE数据集上测试了我们的方法,实验结果表明精神分裂症病人相比于正常人,在额顶注意网络和默认模式网络出现增强的模式。而其他的除了额顶注意网络,都呈现减弱的模式。这些结果也为更好的理解精神分裂症提供了新的视角。基于深度学习的多中心脑影像分类。随着神经影像技术的发展,越来越多的磁共振成像数据在临床中被采集。传统的基于单中心小样本的分析方法正在面临严峻的挑战。伴随着人工智能而生的深度学习技术,已经在很多研究中,表现出了解决基于大数据分类问题的强大能力,然而,这项技术还没有在神经影像的分类中得到广泛的应用。在本文中,我们提出一种新的三维深度叠加神经网络(3D Deep Adding Neural Network,3D DANet),用于处理来自于六个数据集超过61个中心的6008个样本的分类问题。我们提出的方法利用多个卷积层来提取不同方向的梯度信息并通过叠加方法来融合两个尺度下的空间信息。在标准的五折交叉验证的策略下,我们利用性别标签进行分类测试得到了超过92%的高正确率,证明了我们提出的方法能够有效的处理多中心大数据分类问题。与传统的分类方法和一些深度学习模型相比,我们提出的方法得到了更高的正确率,表明我们的方法在脑影像分类方面有更强的能力。据我们所知,我们的工作是首次在这样的大尺度和大规模的数据集上进行性别分类并得到这样高的正确率。由于我们的方法在性别分类中优秀的性能,以及代码具备可迁移特性,我们提出的方法在智能医疗和基于移动端的临床实践中可能会有应用的潜力。