腦腫瘤手術規劃及術中，術前磁共振（MR）圖像與術中超聲（US）圖像的配準甚為關鍵。考慮到兩種模態圖像具有不同密度范圍及分辨率，且超聲圖像存在較多的斑點噪聲干擾，采用一種基于局部鄰域信息的自相似性上下文（SSC）描述子定義圖像之間的相似性測度。將超聲圖像作為參考，使用三維微分運算提取其中角點作為關鍵點，并采用密集位移采樣離散優化算法實施配準。整個配準過程分為仿射配準和彈性配準兩個階段，在仿射配準階段，對圖像進行多分辨率分解，在彈性配準階段，采取最小卷積和均值場推理策略對關鍵點的位移向量進行正則化處理。對22名患者的術前MR和術中US圖像進行配準實驗，仿射配準后的誤差為（1.57 ± 0.30）mm，每對圖像配準平均耗時1.36 s；彈性配準后的誤差為（1.40 ± 0.28）mm，平均用時1.53 s。實驗結果證明本文采用的方法具有良好的配準精度和速度。
心血管疾病和心理障礙已成為威脅人類身心健康的兩大主要問題。盡管基于心電圖信號的研究為解決這些問題提供了重要契機，但在心電特征的理解以及跨任務知識遷移方面，現有方法仍面臨性能瓶頸和適用性不足等挑戰。為此，本文設計了一種基于殘差網絡的多分辨率特征編碼網絡，能夠有效提取心電信號的局部形態特征與全局節律特征，增強特征表達能力。此外，提出的基于模型壓縮的持續學習方法通過將簡單任務中的結構化知識逐步傳遞到復雜任務，可有效提升下游任務性能。多分辨率學習模型在心電QRS波群檢測、心律失常分類和情緒分類等五個數據庫上取得了超越或與當前先進算法相當的性能。持續學習方法在跨領域、跨任務和數據增量的場景下都取得了相較于常規訓練方法的顯著提升，證明了所提出方法對于心電跨任務知識遷移的能力，為心電多任務學習提供了新路徑。