自動準確地對肺實質進行分割對于肺癌輔助診斷至關重要。近年來，深度學習領域的研究者們提出了許多基于U型網絡（U-Net）改進的肺實質分割方法。但是現有的分割方法忽視了不同層級間特征圖語義信息的融合互補，并且無法區分特征圖中不同空間與通道的重要性。為解決該問題，本文提出雙尺度并行注意力（DSPA）網絡（DSPA-Net）架構，在“編碼器—解碼器”結構中引入了DSPA模塊和空洞空間金字塔池化（ASPP）模塊。其中，DSPA模塊通過協同注意力（CA）得到特征圖精確的空間和通道信息，并對不同層級特征圖的語義信息進行聚合。ASPP模塊利用不同空洞率的多個并行卷積核獲取不同感受野下包含多尺度信息的特征圖。兩個模塊分別解決了不同層級特征圖與同一層級特征圖中多尺度信息處理問題。本文在卡格爾（Kaggle）競賽數據集上進行了實驗驗證，實驗結果證明該網絡架構與目前主流的分割網絡相比具有明顯的優勢，戴斯相似性系數（DSC）和交并比（IoU）的值分別達到了0.972 ± 0.002和0.945 ± 0.004。基于以上研究，本文實現了肺實質自動準確的分割，為注意力機制和多尺度信息在肺實質分割領域的應用提供參考。
高分辨率磁共振成像（MRI）和計算機斷層掃描（CT）影像能夠提供更清晰的人體解剖細節，有助于疾病的早期診斷。但是，由于成像系統、成像環境和人為等因素限制，清晰的高分辨率圖像難于獲得。本文提出一種非下采樣剪切波變換域（NSST）多尺度信息蒸餾（MSID）網絡的醫學影像超分辨率重建方法（即NSST-MSID網絡）。首先，提出一種MSID網絡，主要由多個級聯的MSID塊構成，充分探取圖像的多尺度特征，有效恢復低分辨率圖像至高分辨率圖像。此外，由于現有方法往往在空間域預測高分辨率圖像，使得輸出過于平滑且丟失了紋理細節，因此將醫學圖像的超分辨率問題描述為NSST系數的預測問題，使得MSID網絡比空間域保持更豐富的結構細節。最后，在建立的醫學影像數據集上對提出的方法進行性能評價。實驗結果表明，與其他現有杰出的方法相比，NSST-MSID網絡可以得到較優的峰值信噪比（PSNR）、結構相似性（SSIM）及均方根誤差（RMSE）值，更好地保留了局部紋理細節與全局拓撲結構，實現了不錯的醫學影像重建效果。