胸部X光片可用于诊断多种胸部疾病。由于胸部疾病特征复杂多样，现有的胸部X光片疾病分类算法难以学习胸部疾病复杂的鉴别表征以及未关注不同疾病之间的相关性信息。针对以上问题，提出一种结合自注意力与卷积的疾病分类算法，该算法采用全维度动态卷积替换残差网络的标准卷积，从而提高网络对多尺度信息的特征提取能力。此外，在卷积神经网络中引入自注意力模块，可以提供捕获多种疾病之间相关性的全局感受野。最后，提出高效的双路注意力，使神经网络更加关注病灶区域、自动捕捉病变位置变化。在ChestX-ray14数据集上，对所提模型进行评估，实验结果表明：所提算法对14种胸部疾病的平均受试者工作特性曲线下的面积（AUC）达到0.839，检测结果与目前其他7种先进算法相比在准确率和效率上有所提升。

为了解决高光谱图像超分辨率重建中物质本征光谱表达能力不足、图像尺度变化过程中存在细节信息损失的问题，提出一种全局-局部注意力特征重用网络。首先，通过多节点特征重用增强网络的多尺度信息提取能力。其次，引入局部注意力，利用空间注意力机制聚焦重点空间信息，并通过通道注意力机制增强特异性光谱提取能力。最后，设计全局修正模块，根据原始多光谱图像空间信息丰富与高光谱图像光谱保真度高的特性进一步补偿处理过程中损失的空间与光谱维度信息，提高网络可靠性。选取CAVE和Harvard数据集进行训练与测试，并与多种先进方法进行定量与定性评估。结果表明，所提网络能够重建出更高分辨率的高光谱图像，更好完成高光谱超分辨率任务。

肾肿瘤危害极大，严重影响人类身体健康，对肾肿瘤进行早期检测和诊断有助于患者的治疗与康复。为高效地从腹部电子计算机断层扫描（CT）图像中分割出肾脏及肾肿瘤图像，提出一种基于三维U²型网络（U²-Net）的分割方法。首先，将二维U²-Net升维并调整网络深度、损失函数与深度监督策略；其次，为了增强解码端的特征表达能力，提出残差特征强化模块，对解码端特征图进行通道与空间域的强化；最后，为提高网络对全局信息的提取能力，提出基于全局特征的多头自注意力模块，计算特征图所有体素点间的长期依赖关系，获取丰富的三维医学图像上下文信息。所提方法在KiTS19官方数据集上的实验结果表明，平均Dice值为0.9008，参数量为4.60 MB，与现有方法相比，所提方法能够在参数量较小的前提下，取得较好的分割精度，对小内存嵌入式肾脏和肾肿瘤图像分割系统具有很高的应用价值。

提出一种使用点云记忆区来移除动态点云的激光雷达同时定位与建图（SLAM）算法——DOR-LOAM算法。该算法首先引入先验地图伪占用区域的概念，细化了动态点云记忆区的划分，从而提高了对动态点云的识别精度；然后，通过网格化每块伪占用区域，并设置点云概率密度阈值，增强算法对动态小目标的识别能力；最后，使用动态点云移除率优化滑窗方式，建立轻量级的先验地图，加快系统整体的处理速度。在KITTI开放数据集上的验证结果显示，DOR-LOAM算法移除动态点云的F₁分数为95.52%，平均相对平移误差和相对旋转误差分别为0.81%和0.0033（°）·m^-1，该算法能实时、高效地消除环境中动态因素的影响。

深入研究不同肺部疾病的X射线光片，有助于更清晰、准确地区分和预测各种疾病。基于此，提出一种基于高效通道注意力机制的胸部X光片疾病分类算法。将高效通道注意力模块以密集连接的方式加入基础特征提取网络，以增强特征通道中有效信息的传递，同时抑制无效信息的传递；使用非对称卷积块提高网络特征提取能力；采用多标签损失函数解决多标签和数据不平衡的问题。将新型冠状病毒肺炎X光片添加到公开数据集Chest X-ray 14中构成数据集Chest X-ray 15，在该数据集上的实验结果表明，所提基于高效通道注意力机制的胸部X光片疾病分类算法的平均area under curve（AUC）值达到0.8245，对气胸的AUC值达到0.8829，性能优于对比算法。

脑肿瘤分割对医学图像处理领域发展与人类健康都具有积极意义。针对三维卷积神经网络存在复杂度大且对硬件设备要求高等问题，提出一种多视图卷积轻量级脑肿瘤分割算法。首先使用复用器模块有效融合各通道间的信息，并为模型增加提取非线性特征的能力。其次使用伪三维卷积分别从轴向位、矢状位和冠状位进行卷积，并加入组卷积以节约计算资源和降低设备显存使用。最后使用可训练参数权衡不同视图下提取的特征的重要性，提高模型分割精度。此外，实验使用分布式数据并行方法训练模型，以提升图形处理器的利用率。在2019年脑肿瘤分割大赛公开数据集上的实验结果表明，所提算法的平均Dice相似度系数仅低于第一名算法2.52个百分点，然而参数量与浮点运算次数分别降低了84.83%和96.67%，且平均Dice相似度系数高于第二名算法0.05%。通过对比实验分析，验证了所提算法的精确与轻量，为脑肿瘤分割模型的广泛应用提供了可能性。

近几年,深度学习在生物医学图像处理中的应用得到了广泛关注。从深度学习的基本理论和医学领域应用出发,提出了一种改进的三维双路径脑肿瘤图像分割网络,用于提高核磁共振成像序列中对脑肿瘤各个区域的检测精度。所提算法以3D-UNet为基础架构,首先,使用改进的双路径网络单元构成类似于UNet的编码-解码器结构,该网络单元在保留原有特征的同时,还可以在脑肿瘤的纹理、形状和边缘等方面产生新特征,来提高网络分割精度;其次,在双路径网络模块中加入多纤结构,在保证分割精度的同时减少了参数量;最后,在每个网络模块中的组卷积之后加入通道随机混合模块来解决组卷积导致的精度下降问题,并使用加权Tversky损失函数替代Dice损失函数,提高了小目标的分割精度。所提模型的平均Dice_ET、Dice_WT和Dice_TC均优于3D-ESPNet、DeepMedic、DMFNet等算法。该研究结果具有一定的现实意义和应用前景。

肺炎检测在医学图像处理中具有重要的研究意义,针对当前经典检测算法对肺炎病灶检测精度较低的问题,本文提出一种基于多尺度卷积神经网络的X光图像中肺炎病灶检测算法。在基础特征提取网络中加入特征通道注意力模块,突出特征图中含有大量肺炎病灶信息的特征通道,抑制不含病灶信息或者含有大量无用信息的特征通道,形成高质量特征图;然后通过统计分析,使用聚类算法设计了一系列不同宽高比以及缩放尺度的候选框以适用于肺炎病灶检测。同时,在含有肺炎病灶的胸部X光图像数据集上进行了单模型和多模型检测实验,其中单模型下检测精度为82.52%,多模型融合下检测精度为89.08%。通过对比实验与结果分析,验证了本文算法在检测精度方面优于当前其他检测算法,适用于X光图像中肺炎病灶检测。

光学乐谱识别在音乐信息检索和计算机辅助教学等领域有着重要价值,针对传统框架处理步骤复杂、精度较低,而基于深度学习的算法模型训练耗时久,且对难点音符识别误差较大的问题,提出了一种改进的卷积循环神经网络以提升识别精度。首先在原始乐谱中增加不同的噪声,以扩充乐谱图像,提高训练模型的鲁棒性;随后利用多尺度残差式卷积神经网络对乐谱图像中的音符特征进行提取,提升后续识别精度;最后利用双向简单循环单元网络识别音符特征,加快训练收敛速度。实验结果表明,改进后网络模型的平均符号错误率下降至0.3234%,收敛速度加快,训练耗时约为传统卷积循环神经网络的1/3。

由于在手写乐谱中搜索谱线位置比较困难,为提高乐谱谱线删除算法的稳健性,提出了一种基于多维局部二值模式识别和XGBoost模型的手写乐谱谱线删除方法。根据乐谱图像的特点,设计并改进局部二值模式算子,提取乐谱图像中的多维局部二值模式特征算子,组成高维特征向量,再选择最优的XGBoost模型来识别乐谱谱线位置,进而删除谱线。研究结果表明,该方法在测试数据上的F-measure为97.19%,说明其具有很高的准确率和召回率;而在三个不同子测试集上的F-measure分别为96.43%,98.36%和96.79%,说明其具有很好的稳健性。相比已有的轻量谱线删除算法,该方法的F-measure有所提升。