معالجة صور الرنين المغناطيسي للرأس قبل التحليل تتضمن تحويل الصور الخام إلى دماغ مُعَدَّل الكثافة وخالي من الجمجمة في فضاء إحداثي قياسي. في هذا البحث، نقترح نهجًا للتعلم شبه المشرف عليه بشكل كامل، يُطلق عليه معالجة العصبونات (Neural Pre-processing - NPP)، لحل جميع الثلاثة مهام فرعية بشكل متزامن عبر شبكة عصبية، مدربة على مجموعة بيانات كبيرة دون إشراف فردي على كل مهمة فرعية. نظرًا لأن الهدف العام غير مقيد بشكل كبير، فقد قمنا بتفكيك الخريطة الكثافية الحافظة للهندسة (إزالة الجمجمة وتعديل الكثافة) والتحول المكاني (التطبيع المكاني) بشكل صريح. تظهر النتائج الكمية أن نموذجنا يتفوق على أفضل الأساليب الحالية التي تعالج مهمة فرعية واحدة فقط. تجارب الإلغاء الخاصة بنا تؤكد أهمية تصميم الهيكل الذي اخترناه لـ NPP. بالإضافة إلى ذلك، يوفر NPP للمستخدم مرونة التحكم في كل من هذه المهام عند وقت الاستدلال. يمكن الوصول إلى الشفرة والنماذج مجانًا عبر الرابط: \url{https://github.com/Novestars/Neural-Pre-processing}.