从超声图像中分割出左心耳（LAA）是得出临床诊断指标的重要步骤，而准确自动分割的首要步骤和难点就是实现目标的自动定位。针对这一问题，提出了一种结合基于深度学习框架的自动定位和基于模型的分割算法的方法来实现超声图像中LAA的自动分割。首先，训练YOLO模型作为LAA自动定位的网络架构；其次，通过验证集确定最优的权重文件，并预测出LAA的最小包围盒；最后，在正确定位的基础上，将YOLO预测的最小包围盒放大1.5倍作为初始轮廓，利用C-V模型完成LAA的自动分割。分割结果用5项指标加以评价：正确性、敏感性、特异性、阴性、阳性。实验结果表明，所提方法能够实现不同分辨率条件和不同显示模式下LAA的自动定位，小样本数据在1000次迭代时已经达到最优的定位效果，正确定位率达到72.25%，并且在正确定位的基础上，C-V模型的分割准确率能够达到98.09%。因此，深度学习技术在实现LAA超声图像的自动分割上具备较大的潜力，能够为基于轮廓的分割算法提供良好的初始轮廓。

基于3D计算机触觉视觉交互(CHAI3D)和开放图形库(Open GL)等开源软件,设计了针对上颌骨复位手术的仿真系统。使用真实病例的CT图像搭建虚拟场景,通过Geomagic力反馈设备对虚拟模型进行三维操作并输出触觉反馈。在原有单点碰撞算法的基础上,提出了使用多个中介代理的多点碰撞算法,避免了虚拟手术工具的手柄插入虚拟器官的不实仿真;通过力反馈设备对头颅骨模型进行选择、移动和旋转,模拟手术中对头颅骨的移动和放置。系统可用于训练医学院学生,也可用于复杂手术的术前规划。