本文旨在將深度學習與圖像分析技術進行結合，提出一種有效的橈骨遠端骨折類型的分類方法。首先，使用擴展U-Net三層級聯分割網絡，對識別骨折最重要的關節面區和非關節面區進行精準分割；然后，對關節面區和非關節面區圖像再分別進行骨折識別；最后，綜合判斷出正常或者ABC骨折分型結果。實驗表明，正常、A型、B型和C型骨折在測試集上的準確率為0.99、0.92、0.91和0.82，而骨科醫學專家的平均識別準確率為0.98、0.90、0.87和0.81。所提自動識別方法整體好于專家，在無專家參與的場景下，可以使用該方法進行初步的橈骨遠端骨折輔助診斷。
針對多模態醫學圖像融合中的重要特征丟失、細節表現不突出和紋理不清晰等問題，提出一種圖像增強下使用生成對抗網絡（GAN）和卷積神經網絡（CNN）進行電子計算機斷層掃描（CT）圖像與磁共振成像（MRI）圖像融合的方法。生成器針對高頻特征圖像，雙鑒別器針對逆變換后的融合圖像；高頻特征圖像通過GAN模型進行特征融合，低頻特征圖像通過基于遷移學習的CNN預訓練模型進行特征融合。實驗結果表明，與當前先進融合算法相比，所提方法在主觀表現上紋理細節特征更加豐富，輪廓邊緣信息更加清晰突出；在客觀指標評估中，融合質量評價指標（QAB/F）、信息熵（IE）、空間頻率（SF）、結構相似性（SSIM）、互信息（MI）和融合視覺信息保真度（VIFF）等關鍵指標比其他最佳測試結果分別提高了2.0%、6.3%、7.0%、5.5%、9.0%和3.3%。融合后圖像可以有效地應用于醫學診斷，進一步提高診斷效率。