云技術的發展使得很多領域能夠在遠程進行數據交互，極大地提高了各行各業運作的協同性，對醫療衛生行業更是產生了巨大的幫助和推進。該文首先基于云平臺技術提出了傷口數據由基層醫院匯總到中心醫院統一進行診斷的數據平臺架構。其次模擬了通過區域生長算法結合中值濾波技術的方法，對通過不同介質上傳的垂直角度傷口圖像進行標準化處理，從而獲得可對比和檢索的標準化傷口圖像。實驗結果驗證此框架設計下提出方法的有效性。
腦機接口(BCI)腦電圖(EEG)分類能實現人腦直接與外部環境的信息交互。提出了基于輔助訓練思想的半監督稀疏表示分類器方法在BCI EEG分類中的應用。首先采用稀疏表示分類器從未標記樣本中選擇部分相關度較高的樣本。其次采用Fisher線性分類器作為判別分類器得到已選樣本的邊界信息。通過距離大小和方向判別條件進一步選出高置信度樣本。本文對三組基準數據集BCIⅠ、BCIⅡ_Ⅳ和USPS分別進行仿真實驗,分類正確率分別為97%、82%和84.7%,運算速度最快的僅需約0.2s。在分類正確率和運算效率兩個方面,均優于自訓練半監督SVM、有導師SVM兩種方法。
臨床上原發性腦部淋巴瘤（PCNSL）和膠質母細胞瘤（GBM）的治療方案存在很大差異，因此治療前對二者的精確鑒別具有重要臨床價值。本文提出一套基于稀疏表示體系的腫瘤自動鑒別方法，利用 PCNSL 和 GBM T1 加權磁共振成像（MRI）圖像紋理細節信息的差異鑒別這兩種腫瘤。首先，基于影像組學的思想，設計一種基于字典學習和稀疏表示的腫瘤紋理特征提取方法，將不同體積、不同形狀的腫瘤區域轉化為 968 維紋理特征；其次，針對提取特征存在的冗余問題，建立迭代稀疏表示方法選擇少數高穩定性高分辨力的特征；最后，將選擇的關鍵特征送入稀疏表示分類器（SRC）分類。利用十折法對數據集進行交叉驗證，鑒別結果的準確率為 96.36%，敏感度為 96.30%，特異性為 96.43%。實驗結果表明，本文方法不僅能夠有效地鑒別 PCNSL 和 GBM，還避免了使用先進 MRI 鑒別腫瘤時存在的參數提取問題，在實際應用中具有較強的魯棒性。