Li等[21]提出了一种三维CNN模型来补全多模态数据，使用磁共振成像数据来预测缺失的正电子发射型计算机X线断层扫描数据，但模型过拟合问题未解决。Hosseini-Asl等[22]使用深度三维CNN来学习捕获阿尔茨海默病的通用特征并适应不同的数据集域。三维CNN建立在三维卷积自动编码器的基础上，该编码器经预训练，可捕获结构性脑磁共振成像中的解剖形状变化，然后针对每个特定于任务的阿尔茨海默病分类微调三维CNN的完全连接的上层。Korolev等[23]提出了一种基于VGGNet的残差神经网络架构，这种架构可使层数达100 ～ 1 000层的神经网络模型也得到很好的训练。他们利用ADNI数据库中的数据并分别使用VoxNet和ResNet来对健康者和老年痴呆症患者的脑磁共振成像图像进行分类，结果显示模型的分类准确率分别为79%和80%。虽然这些数值相对较低，但他们的模型建立过程更为简单。

    Pratt等[24]训练了一个具有10层卷积层和3个全连接层的CNN来处理90 000幅眼底图像。他们将糖尿病视网膜病变按照严重程度分为5类，模型的分类准确率为75%。除此之外，Plis等[25]对亨廷顿舞蹈病和精神分裂症患者进行功能性磁共振成像检查，并使用深度信念网络从功能性磁共振成像图像中提取特征。

    2.2 医学图像检测

    对解剖对象病变部位进行检测和定位是医学图像分析中的重要一步 ......