间质性肺病（ILD）的分割标签标注成本极高，且现有数据集通常存在样本量较少的问题，导致训练的模型效果较差。针对该问题，提出一种基于多任务学习的ILD分割算法。首先，基于U-Net构建多任务分割模型；其次，使用生成的肺部分割标签作为辅助任务标签进行多任务学习；最后，使用一种自适应调整多任务损失函数权重的方法，平衡主任务和辅助任务的损失。在自构建的ILD数据集上的实验结果表明，多任务分割模型的Dice相似系数（DSC）达到了82.61%，与U-Net相比提升了2.26个百分点。验证了所提算法可以提升ILD的分割性能，协助临床医生进行ILD诊断。

针对现有方法在表格结构识别问题中存在的先验知识依赖、鲁棒性不足、表达能力不足等问题，提出一种新的融合边特征与注意力的表格结构识别模型——GEAN-TSR。首先，提出图边注意力网络（GEAN）并作为模型的主干网络，在边卷积结构的基础上引入并改进图注意力机制聚合图节点特征，解决图网络在特征提取过程中的信息损失的问题，提高图网络的表达能力；然后，引入边特征融合模块融合浅层图节点信息与图网络输出，增强图网络的局部信息提取能力与表达能力；最后，将门控循环单元（GRU）提取的图节点文本特征融入文本特征融合模块对边进行分类预测。在SciTSR-COMP数据集上的对比实验中，相较于目前最优的模型SEM，GEAN-TSR的召回率与F1值分别提升2.5与1.4个百分点。在消融实验中，GEAN-TSR采用特征融合模块后，所有指标都取得了最优值，验证了模块的有效性。实验结果表明，GEAN-TSR能够有效提升网络性能，更好地完成表格结构识别任务。

针对肺四维计算机断层摄影(4D-CT)数据获取时辐射剂量高的缺点,提出了一种基于弹性配准的肺4D-CT中间相位图像重建方法,利用已知的两个特殊呼吸相位图像,重建出其他中间呼吸相位图像。其具体过程是:选择呼吸周期内的两个相位图像分别作为参考图像和浮动图像,首先用Active Demons配准方法估计出两个相位图像间的运动位移场;然后根据呼吸运动过程的线性假设,相应地求出浮动图像到中间相位图像的运动位移,继而重建出中间相位图像。实验结果表明,重建出的中间相位图像不仅在视觉上与真实图像非常接近,而且用标记点方法量化评价的平均误差也在3 mm内。所提基于弹性配准的重建方法能较准确地重建出肺4D-CT中间相位图像。