在基于深度學習的圖像配準中，圖像中具有復雜解剖結構的形變區域是影響網絡配準精度的重要因素，然而現有方法很難關注到圖像的復雜解剖區域。同時，卷積神經網絡的感受野受其卷積核大小的限制，難以學習空間位置距離較遠的體素之間的關系，使其難以處理較大區域形變問題。針對以上兩個問題，本文提出了一種基于視覺變換器（Transformer）的級聯多階層配準網絡模型，并配備了一種基于均方誤差的困難形變感知機。困難形變感知機使用滑動窗口和浮動窗口技術在配準圖像中進行檢索，得到每個體素的困難形變系數，識別出配準效果最差的區域。本研究中，級聯多階層配準網絡模型采用困難形變感知機進行階層連接，在基礎配準網絡中憑借自注意力機制提取全局特征，對不同尺度的配準結果進行優化。實驗結果證明，本文提出的方法可以對復雜形變區域進行漸進配準，從而優化腦部醫學影像的配準結果，對醫生的臨床診斷工作有良好的輔助作用。
多導睡眠圖(PSG）監測是臨床上用于診斷諸如失眠、呼吸暫停等疾病的重要手段。為了解決以手工逐幀視覺判斷PSG進行睡眠障礙患者睡眠階段分期耗時長、耗費精力大等問題，本文提出一種結合卷積神經網絡（CNN）與雙向門控循環神經網絡 （Bi GRU）的深度學習算法模型，并設計了一種動態稀疏性自注意力機制以解決門控循環單元（GRU）網絡對長距離信息難以獲得準確向量表示的問題。本文采集來自上海精神衛生中心143例睡眠障礙患者整晚PSG數據并結合開源數據集153例睡眠障礙患者整晚PSG數據，選取其中的6個腦電（EEG）信號通道、2個眼電（EOG）信號通道與單個下頜肌電（EMG）信號通道等共9個通道的電生理通道信號進行模型訓練與測試評估。經交叉驗證后得到的分期準確率為（84.0±2.0）%，一致性檢驗值為0.77±0.50，優于醫師間評分的一致性檢驗值0.75±0.11。實驗結果表明，本文算法模型在不同人群中具有較高的分期效果并具有普適性，對于協助臨床醫師進行快速、大規模PSG睡眠自動分期具有重要研究意義。
臨床上，覺醒事件主要由睡眠技師手動標注，該方法耗時，且主觀性強。本研究通過構建基于多尺度卷積和自注意力的卷積神經網絡，用1 min單通道腦電信號作為模型的輸入，實現端到端的覺醒事件自動檢測。研究結果表明，相較于基線模型，本文所提出的方法的精確召回曲線下面積和受試者操作特征曲線下面積均提升約7%。此外，單模態和多模態對比結果顯示，單通道腦電信號可實現覺醒事件的有效檢測，而簡單的多種模態拼接不能提升模型的性能。最后，基于本文所提出的模型，本研究在同一數據庫上又實現了自動睡眠分期（平均準確率73%），展示了模型較好的擴展性。本研究為實現可靠的便攜式睡眠監測提供了解決方案，同時任務遷移的使用也為臨床睡眠數據的自動分析開辟了新道路。
在心血管疾病的診斷中，心電信號的分析一直起到至關重要的作用。目前如何利用算法有效識別出信號中的異常心拍，仍然是心電信號分析領域中的難點。本文將深度殘差網絡與自注意力機制相結合，提出了一種能夠自動識別出異常心拍的分類模型，該模型首先基于殘差結構設計了18層卷積神經網絡，用來充分提取信號中的局部特征，之后再結合雙向門控循環單元，用于提高網絡對于時序特征的挖掘能力，最后引入自注意力機制為提取到的每一個特征賦予區分化的權重，協助模型在訓練的過程中更有效地關注重要特征，以此來獲得較高的分類精度。本研究采用多種方式進行數據增強，緩解了由于數據不平衡問題對模型效果帶來的影響。本研究實驗數據來源于麻省理工學院與貝斯以色列醫院（MIT-BIH）構建的心律失常數據庫，最終結果表明，研究提出的模型在原始數據集上達到了98.33%的總體準確率，在優化后的數據集中達到了99.12%的總體準確率，證明了該模型在心電信號分類方面擁有良好的效果，具備應用到便攜式心電檢測設備的潛在價值。