La enfermedad de Alzheimer es la causa más común de demencia y es un término genérico para la memoria y otras habilidades cognitivas que son lo suficientemente graves como para interferir con la vida diaria. En este documento, proponemos un método de predicción mejorado para la enfermedad de Alzheimer utilizando un método de cuantización que transforma el conjunto de datos de resonancia magnética utilizando un modelo de transformación VGG-C y una red neuronal convolucional (CNN) que consiste en normalización por lotes. Los datos de imagen de resonancia magnética de la enfermedad de Alzheimer no se divulgan completamente a la investigación general porque son datos de pacientes reales. Por lo tanto, tuvimos que encontrar una solución que pudiera maximizar la funcionalidad central en una imagen limitada. En otras palabras, dado que es necesario ajustar el intervalo, que es una característica importante de la información de color de la resonancia magnética, en lugar de expresar la forma del cerebro, el conjunto de datos de textura cerebral se modificó en el método de intensidad de píxel cuantizado. También utilizamos la familia VGG, donde el modelo de transformación VGG-C con normalización de paquete agregada al modelo VGG-C tuvo el mejor rendimiento con una precisión de prueba de aproximadamente 0.9800. Sin embargo, dado que las imágenes de resonancia magnética son de 208 x 176 píxeles, la conversión a 224 x 224 píxeles puede resultar en distorsión y pérdida de información de píxeles. Para abordar esto, la arquitectura propuesta basada en el modelo VGG puede ser entrenada manteniendo el tamaño original de la resonancia magnética. Como resultado, pudimos obtener una precisión de predicción del 98% y el puntaje de AUC aumentó hasta en un 1.19%, en comparación con el conjunto de datos de imagen de resonancia magnética normal. Se espera que nuestro estudio sea útil para predecir la enfermedad de Alzheimer utilizando el conjunto de datos de resonancia magnética.