基于電子計算機斷層掃描（CT）的肺結節檢測的早期篩查是降低肺癌死亡率的重要手段，而近年來三維卷積神經網絡（3D CNN）已經在肺結節檢測領域取得了成功并不斷深入發展。本文提出了一種基于多尺度注意力機制的3D CNN肺結節檢測算法。針對肺結節大小和形狀各異的特點，設計了一個多尺度的特征提取模塊，提取不同尺度的相應特征。通過注意力模塊，從空間和通道兩個角度挖掘特征間的關聯信息，對特征加強。提取出的特征進入類似金字塔的融合機制，使得特征中同時包含深層的語義信息與淺層的位置信息，更利于目標定位與邊界框回歸。在具有代表性的LUNA16數據集上，相對于目前先進的其他方法，本文方法能夠明顯地提高檢測靈敏度，可為臨床醫學提供理論參考。
腦膠質瘤是一種發病率較高的原發性腦部腫瘤，其中高等級膠質瘤惡性程度高，患者生存率低。臨床常采用手術切除和術后輔助放化療的方式進行治療，因此準確分割腫瘤相關區域對患者的治療具有重要意義。為改善高等級膠質瘤的分割精度，本文提出一種基于多尺度特征提取、多路注意力融合機制的多模態腦膠質瘤分割方法，主要貢獻在于：① 使用多尺度殘差結構對多模態腦膠質瘤磁共振圖像進行特征提取；② 使用兩類注意力模塊結構對通道維度和空間維度下的特征信息進行注意力匯聚；③ 使用集成學習策略構建支路分類器對主干分類器的分類結果進行調整修正，提升整體網絡的分割性能。實驗結果表明本文提出的二維網絡分割方法分割全腫瘤區、腫瘤核心區和增強腫瘤區三類目標物的Dice系數值分別為0.909 7、0.877 3和0.839 6，并且分割結果在三維方向上具有良好的邊界連續性。因此，本文提出的語義分割網絡對高等級腦膠質瘤病灶區具有良好的分割性能。
非剛性配準在醫學圖像分析中有著重要的作用。U-Net被證明是醫學圖像分析的研究熱點，被廣泛應用于醫學圖像配準中，然而現有的基于U-Net及其變體的配準模型在處理復雜形變時，學習能力不足，且沒有充分利用多尺度上下文信息，導致配準精度不夠理想。針對該問題，本文提出了一種基于可變形卷積和多尺度特征聚焦模塊的X線圖像非剛性配準算法。該算法首先使用殘差可變形卷積替代原U-Net的標準卷積，以增強配準網絡對圖像幾何形變的表達能力；然后使用步長卷積代替下采樣操作的池化運算，以緩解連續池化導致的特征丟失問題；此外在編、解碼結構的橋接層中引入多尺度特征聚焦模塊，以提高網絡模型集成全局上下文信息的能力。理論分析和實驗結果均表明提出的配準算法能聚焦多尺度上下文信息，能夠處理具有復雜形變的醫學圖像，配準精度有一定提高，適合胸部X線片的非剛性配準。
在長期監測心電圖（ECG）的過程中不可避免地會混雜各類噪聲，影響醫生對患者數據的讀取和判斷，因此在分析和診斷前對ECG信號質量進行評估至關重要。針對目前已有的ECG信號質量評估方法對12導聯多尺度相關性關注不足的問題，本文提出一種集成卷積神經網絡（CNN）和壓縮與激勵殘差網絡（SE-ResNet）的ECG信號質量評估方法。該方法不僅能提取ECG信號時間序列的局部及全局特征，而且還關注了ECG信號的空間相關性，在公共數據集上測試得到的準確率、靈敏度和特異性分別為99.5%、98.5%和99.6%。與其他方法相比，本文所提方法利用導聯間相關信息有效提高了ECG信號質量評估的準確率，有望促進ECG信號的智能監測與診斷技術的發展。