針對肺部病變及支氣管干擾等因素導致的肺實質分割困難的問題，本文提出一種融合表面波（surfacelet）變換與脈沖耦合神經網絡（PCNN）的肺實質分割算法。首先，通過 surfacelet 變換對三維肺部計算機斷層掃描數據進行多尺度多方向分解，利用局部修正拉普拉斯算子選擇處理后的子帶系數增強圖像的邊緣特征；然后，經 surfacelet 逆變換得到增強后的圖像作為 PCNN 的反饋輸入；最后，通過循環迭代完成肺實質的分割。所提算法對公開數據集中的樣本進行了測試。結果表明，本文算法的分割性能優于 surfacelet 變換邊緣提取算法、三維區域生長算法和三維 U 形網絡（U-NET）算法，能夠有效抑制肺部病變及支氣管的干擾，得到更完整的肺實質圖像。
傳統的單一方位最大密度投影（MIP）圖像在檢測顱內動脈瘤時容易忽略部分形態特征，造成漏檢和誤檢。針對該問題，本文提出一種新的基于全方位MIP圖像的顱內動脈瘤檢測方法。首先，對三維磁共振血管造影（MRA）圖像進行全方位最大密度投影，獲得MIP圖像；然后，利用匹配濾波對顱內動脈瘤區域進行預定位；最后，使用Squeeze and Excitation（SE）模塊對CaraNet模型進行了改進，并用改進后的模型對全方位MIP圖像中的預定位區域進行檢測，確定是否患有顱內動脈瘤。本文收集了245例圖像對所提方法進行了測試實驗。實驗結果表明本文所提方法的精確率和特異性分別可以達到93.75%和93.86%，顯著提高了對MIP圖像中顱內動脈瘤的檢測性能。