近年來，采用腦電波進行癲癇發作檢測得到了學術界的廣泛關注，而用于癲癇發作檢測的腦電波數據存在數據采集困難、發作樣本少等問題，在訓練樣本量不足的情況下采用深度學習容易產生過擬合現象。為了解決此問題，本文以美國波士頓兒童醫院的癲癇腦電數據集為研究對象，將小波變換用于數據增強，通過設置不同的小波變換尺度因子來生成相應的數據，達到成倍增加訓練樣本的目的；另外，在模型設計方面，本文結合深度學習、集成學習和遷移學習等方法，提出在訓練樣本量不足的情況下針對特定癲癇患者的具有較高檢測準確率的癲癇檢測方法。在測試中，本文分析了以小波變換尺度因子為2、4、8時的癲癇發作檢測實驗結果，在小波尺度因子為8時，平均準確率、平均敏感度、平均特異性分別為95.47%、93.89%和96.48%；另外，通過與近期相關文獻進行對比，驗證了本文方法具有一定的優越性。本研究結果可為癲癇檢測的臨床應用提供借鑒。
肝細胞癌（HCC）是最常見的肝臟惡性腫瘤，其中HCC分割和病理分化程度預測是手術治療和預后評估過程中的兩個重要任務。現有方法通常獨立地解決這兩個問題，沒有考慮兩個任務的相關性。本文提出了一種多任務學習模型，旨在同時完成分割任務和病理分化程度分類任務。本文所提模型由分割子網和分類子網構成：在分類子網中提出了一種多尺度特征融合方法來提高分類精度；在分割子網中設計了一種邊界感知注意力，用于解決腫瘤過分割問題。本文采用動態權重平均多任務損失，使模型在兩個任務中同時獲得最優的性能。研究結果顯示，本文方法在295例HCC患者上的實驗結果均優于其它多任務學習方法，在分割任務上戴斯相似系數（Dice）為（83.9 ± 0.88）%，同時在分類任務上的平均召回率為（86.08 ± 0.83）%，F1分數為（80.05 ± 1.7）%。該結果表明，本文提出的多任務學習方法能夠同時較好地完成分類任務和分割任務，可為HCC患者的臨床診斷和治療提供理論參考。
最近，深度學習在醫學圖像任務中取得了令人矚目的成果。然而，這種方法通常需要大規模的標注數據，而醫學圖像的標注成本較高，因此如何從有限的標注數據中進行高效學習是一個難題。目前，常用的兩種方法是遷移學習和自監督學習，然而這兩種方法在多模態醫學圖像中的研究卻很少，因此本研究提出了一種多模態醫學圖像對比學習方法。該方法將同一患者不同模態的圖像作為正樣本，有效增加訓練過程中的正樣本數量，有助于模型充分學習病灶在不同模態圖像上的相似性和差異性，從而提高模型對醫學圖像的理解能力和診斷準確率。常用的數據增強方法并不適合多模態圖像，因此本文提出了一種域自適應反標準化方法，借助目標域的統計信息對源域圖像進行轉換。本研究以兩個不同的多模態醫學圖像分類任務對本文方法展開驗證：在微血管浸潤識別任務中，本文方法獲得了（74.79 ± 0.74）%的準確率和（78.37 ± 1.94）%的F1分數，相比其它較為熟知的學習方法有所提升；對于腦腫瘤病理分級任務，本文方法也取得了明顯的改進。結果表明，本文方法在多模態醫學圖像數據上取得了良好的結果，可為多模態醫學圖像的預訓練提供一種參考方案。