医学图像融合对于临床诊断具有重要的应用价值.针对多模态医学图像特性，本文提出一种基于人类视觉特性的医学图像自适应融合方法.首先，对经配准的源图像进行非间隔采样轮廓变换（（Nonsubsampled Coutourlet，NSCT）多尺度分解，得到低频子带和若干高频方向子带；其次，根据低频子带集中了大部分源图像能量和决定图像轮廓的特点，采用区域能量与平均梯度相结合的方法进行融合；根据人眼对图像对比度及边缘、纹理的高敏感度，在高频子带系数的选取时提出区域拉普拉斯能量、方向对比度与脉冲耦合神经网络（Pulse Coupled Neural Network，PCNN）相结合的融合策略；进而，提出了把与人类视觉高度一致的加权结构相似度（Weighted Structure Similarity，WSSIM）作为图像融合目标函数，自适应地获取各子带的最优权值；最后，对灰度图像和彩色图像进行了大量融合比较实验，并对不同融合方法进行分析对比.实验结果表明：本文算法不仅可以有效保留源图像的信息，而且可以使融合图像灰度级更分散，更好地保留了图像边缘信息，具有更好的视觉效果.

从医学图像中分割脑肿瘤区域可以为脑肿瘤的诊断以及放射治疗提供帮助.但肿瘤区域的变化异常且边界非常模糊，因此自动或半自动地分割脑肿瘤非常困难.针对这一问题，本文结合softmax回归和图割法提出一种脑肿瘤分割算法.首先融合多序列核磁共振图像（MRI）并标记训练样本，再用softmax回归训练模型参数并计算每个点属于各个类别的概率，最后将概率融入到图割法中，用最小切/最大流方法得到最终分割结果.实验表明提出的方法可以更好地得到脑肿瘤的边界，并能较准确地分割出脑肿瘤区域.

本文提出了一种基于局部形状结构分类的心血管内超声（Intravascular Ultrasound，IVUS）图像中-外膜边界检测方法.首先利用k-均值（k-means）聚类方法，确定局部形状结构类别；其次通过类别标号索引图像块，并对其进行积分通道特征和自相似性特征提取，构建多分类随机决策森林模型；最后由分类模型寻找IVUS图像的关键点，采用曲线拟合方法，实现IVUS图像中-外膜边界检测.实验结果表明，本文方法能够有效地解决IVUS图像中斑块、伪影和血管分支等造成边缘难以准确检测的问题，与已有算法相比，其JM （Jaccard Measure，JM）达到了88.9%，PAD （Percentage of Area Difference，PAD）降低了19.1%，HD （Hausdorff Distance，HD）减少了9.7%，更准确地识别目标边界的关键点，成功地检测出完整的中-外膜边界.

随着精准医疗技术的快速进步，PET/CT图像中病灶区域分割已在医疗计划制定中显现出重要作用.PET/CT将PET（功能代谢显像）和CT（解剖结构显像）两种先进的影像技术有机地结合在一起，是影像诊断学的一个重要进展.结合当前分割方法，本文详细介绍了PET/CT成像原理以及PET/CT图像的特点，对分割方法进行分类，深入分析各种方法的现状及其在肿瘤学中的应用.最后，进一步阐述了PET/CT图像分割技术的核心问题和发展趋势.

医学影像技术与设备的进步在生物医学领域的各项研究中发挥着重要作用.跨模态医学图像预测旨在由一种模态图像预测另一种模态图像.本文详细综述了由MRI预测CT图像、7T-Like图像重构、PET预测及其他医学模态预测研究，阐述了各类模态预测的必要性及存在的挑战，说明各类预测方法的特点并进行性能比较，最终得出结论：基于深度学习的跨模态预测在预测精度和预测时间两方面更具优势.

导向滤波算法是一种有效的基于边保持的平滑滤波算法.然而，由于算法中的正则化系数和细节层增益是固定的，可能会导致边附近出现光晕以及背景中出现大量噪声，降低图像的质量.在本文中，首先给出了一种改进的基于边的权重系数计算方法，它能够较准确地实现边保持，减少光晕现象.其次，提出了基于梯度导向的细节层增益计算方法，可以有效地增强细节并且抑制噪声.实验表明，对于含有大量噪声和小细节的低剂量CT图像，本文方法可以减少噪声和光晕的影响，显著提高图像的对比度，满足临床诊断的需要.

为提高胶质母细胞瘤（GBM）多模态磁共振（MR）图像中各肿瘤子区域分割的准确性，提出一种多分类卷积神经网络（CNN）的GBM多模态MR图像自动分割算法.首先在98%缩尾处理和配准GBM多模态MR图像后，利用N4ITK法校正偏移场；其次构建一个主要由4个卷积层、2个池化层和2个全连接层组成的多分类CNN模型，训练后预分割GBM多模态MR图像，将体素分为5类不同的标签；最后移除所有小于200体素的假阳性区域，中值滤波后获得最终分割结果.以Dice相似性系数DSC、阳性预测值PPV和平均Hausdorff距离AHD为评价指标，利用所提出的算法对F-C-GBM数据集中整个肿瘤组织进行分割，获得的DSC、PPV、AHD分别为0.889±0.087、0.859±0.127和1.923.结果表明，该算法能有效提高GBM多模态MR图像分割的性能，可望有临床应用前景.

针对乳腺MR图像组织复杂、灰度不均匀、难分割的特点，本文提出双树复小波（DTCWT）变换结合密度聚类的图像分割方法.首先利用复小波域双变量模型结合各向异性扩散函数对图像进行去噪处理；进而通过简单线性迭代聚类（SLIC）算法将图像划分成一定数量的超像素区域，根据事先设置的阈值搜索每个超像素的近邻，从而降低基于K近邻的密度峰值快速搜索聚类（KNN-DPC）算法寻找每个样本近邻的时间；最终，引入超像素区域的近邻信息度量样本密度，采用KNN-DPC算法的分配策略自适应聚类.仿真和临床数据分割结果表明，所提算法能有效的实现乳腺MR图像的分割.

残差神经网络（ResNet）是近几年来深度学习研究中的热点，在计算机视觉领域取得较好成就.本文对残差神经网络从以下几个方面进行总结：第一，阐述残差神经网络的基本结构和工作原理；第二，在模型发展方面，以时间为顺序总结了残差神经网络的8种网络模型；第三，在结构优化方面，从残差神经网络的卷积层、池化层、残差单元、全连接层以及整个网络5个方面进行总结；最后，将ResNet应用到医学图像处理领域，主要从图像识别和图像分割2个方面探讨.本文对残差神经网络的原理、模型、结构进行了系统地总结，对残差神经网络的研究发展具有一定的积极意义.

本文提出了一种基于改进Wasserstein生成式对抗网络（De-aliasing Wasserstein Generative Adversarial Network with Gradient Penalty，DAWGAN-GP）的磁共振图像重构算法，该方法利用Wasserstein生成式对抗网络代替传统的生成式对抗网络，并结合梯度惩罚的方法提高训练速度，解决WGAN收敛缓慢问题.此外，为了有更好的重构效果，我们将感知损失，像素损失和频域损失引入至损失函数中进行网络训练.实验结果表明，对比现有的基于深度学习的磁共振图像重构算法，基于DAWGAN-GP的磁共振图像重构方法具有更好的重构效果，可获得更高的峰值信噪比（Peak Signal to Noise Ratio，PSNR）和更好的结构相似性（Structural Similarity Index Measure，SSIM）.