Este estudio utiliza datos de resonancia magnética (MRI) para proponer un aprendizaje de extremo a extremo implementando modelos de redes neuronales convolucionales volumétricas (CNN) para dos tareas de clasificación binaria: enfermedad de Alzheimer (AD) vs. cognitivamente normal (CN) y deterioro cognitivo leve estable (sMCI) vs. AD. Los datos de imágenes de resonancia magnética T1 MP-RAGE de línea base de 245 pacientes con AD y 229 con sMCI se obtuvieron del conjunto de datos ADNI, mientras que 245 imágenes de resonancia magnética T1 de personas CN se obtuvieron del conjunto de datos IXI. Todas las imágenes se preprocesaron en cuatro pasos: corrección del campo de sesgo N4, eliminación de ruido, extracción de cerebro y registro. Se utilizaron CNN profundas basadas en aprendizaje de extremo a extremo para distinguir entre diferentes fases de AD. Se implementaron y evaluaron ocho arquitecturas basadas en CNN. DenseNet264 destacó en ambos tipos de clasificación, con una precisión del 82.5% y un AUC del 87.63% para el entrenamiento y una precisión del 81.03% para las pruebas en relación con el sMCI vs. AD y una precisión del 100% y un AUC del 100% para el entrenamiento y una precisión del 99.56% para las pruebas en relación con el AD vs. CN. Los enfoques de aprendizaje profundo basados en CNN y aprendizaje de extremo a extremo ofrecen una herramienta sólida para examinar propiedades minuciosas pero complejas en imágenes de resonancia magnética que podrían ayudar en la detección temprana y predicción de la enfermedad de Alzheimer en entornos clínicos.