脑是人体内部的高级器官,其结构复杂、功能多样,是人类思维的发源地,控制着人类的意识。脑疾病发病率较高,并伴随着高致残率和致死率,但目前对脑疾病的预测和识别主要基于临床症状,这需要大量经验丰富的医生但目前医疗资源尚有不足。磁共振成像(Magnetic Resonance Imaging,MRI)技术由于其非侵入性在临床中广泛应用,对理解脑的工作机制及开展临床辅助诊断提供了数据支持。随着人工智能的发展,基于深度学习技术解析MRI数据,开发精准的计算机辅助诊断(Computer-Aided Diagnosis,CAD)模型,有着重要的应用价值。因此,本文开展了基于磁共振成像的深度学习CAD模型研究,提出了新方法分别用于诊断轻度认知障碍(Mild Cognitive Impairment,MCI)患者所属亚型,以实现MCI到阿尔兹海默症(Alzheimer’s Disease,AD)的三年期转化预测,以及重度抑郁症(Majmedial congruentor Depressive Disorder,MDD)的辅助诊断。目前,该MRTX1133生产商领域的研究中尚且存在以下问题:受到MRI采集成本等限制,大部分研究中可用的MRI样本量较小,但原始MRI特征数量较多容易导致出现过拟合影响模型性能,且往往忽视了模型的可解释性,导致结果难以被理解;现有的方法没能有效地融合多模态磁共振成像的数据,限制了辅助诊断模型的准确性和可靠性。因此,提出新的模型和研究框架来解决这些问题有重要意义。本文的研究工作由以下两部分构成:研究工作一:为了缓解原始MRI特征数过多而可用神经影像集中样本太少带来的过拟合问题,我们提取了特征数相对原始影像较少的多种脑区级皮层形态学特征,并设计了一种新的基于Transformer的模型将它们融合并用于MCI到AD的三年期转化预测。经过验证,该模型在测试集上的准确率可达83.3%,有一定的临床应用价值。与此同时,本文使用了遮挡分析分别对输入特征按照脑区和特征种类进行了遮挡,以评估其在MCI转化预测时的贡献。结果发现,在按照脑区遮挡时,尾部前扣带回和眶部被遮挡对模型的准确率影响最大,说明这两个脑区对于我们模型预测MCI转化贡献最多,临床上应给予这些脑区更多关注;在按照特征种类进行遮挡时发现,皮层体积和厚度可能是预测MCI转化中更可靠的脑皮层形态学特征。研究工作二:本文提出了一种自适应多模态影像融合模型来更有效地对多模态影像进行融合,模型在MDD辅助诊断任务中验证了其有效性。该模型首先分别设计了脑功能编码器和脑结构编码器从多模态Belumosudil体内影像中提取被试脑的功能和结构信息,然后使用共注意融合分类网络捕获功能和结构信息的交互,自适应地学习其中间表征特征后进行分类。通过验证,模型的准确率可达到75.2%,本研究还分析了共注意融合网络中的注意力值,发现模型对MDD组的结构特征的关注度显著高于健康对照组,说明脑结构相比脑功能中可能存在更多与MDD高度关联的信息。通过以上研究,本文对开发基于磁共振成像的深度学习脑疾病CAD模型进行了探索,为解决该领域存在的一些问题提出了解决方案,所开发的模型对其他脑疾病的预测和识别也有一定的借鉴意义。