肌肉计算机接口(MCI)系统是虚拟现实、人机交互研究的热点之一, 其核心问题是EMG肌电信号分类, 因而MCI系统可以与深度学习方法有效结合。表面EMG信号分为高密度瞬时信号与稀疏多通道信号, 前者类似于图像, 可以采用CNN网络处理; 本文应用RNN网络对后者进行研究, 并利用MYO臂环实现了相应MCI系统。稀疏多通道EMG信号是不定长时间序列信号, 前后时间相关性高, 采用RNN网络进行分类。通过对原始信号进行时域、时频域、频域特征拓展, 获得原始信号的多流特征序列, 并提出两类组合RNN网络架构处理相应多流信号。用户依赖时算法准确率达90.78%, 非用户依赖的人群测试中手势识别准确率达78.01%, 实时动作识别准确率达82.09%, 算法能在61.7毫秒内识别手势动作。本文所提出的组合RNN网络方法可以有效区分基于EMG信号的不同动作, 且所设计的MCI系统用户泛化性与工作实时性表现好。

开展了利用计算机自动比较两个3D面貌相似程度的研究。提出了一种在形状空间下基于测地线的3D面貌相似性比较的方法。该方法使用测地线近似表示3D面貌模型，然后将其变换到形状空间下，以对应测地线的平均测地距离作为两个3D面貌的相似性比较的依据。在公开的GAVADB三维面貌库上对14个人的28个3D面貌模型进行了实验，识别率达到92.86%以上，说明本方法可以将同一个人的不同模型与不同人的模型区分开。另外，使用提出的方法对不同人的3D面貌模型进行了相似性比较实验，结果表明使用本方法得出的相似程度的判断与人的主观判断相一致，说明本方法能够较好地反应3D面貌的相似程度。

介绍了经典非局部均值滤波算法与Manjón非局部均值滤波算法，改进了非局部均值滤波方法的相似度权值，使算法在具有旋转平移不变性，保持时间复杂度的同时优化了视觉效果与信噪比。实验通过添加噪声标准差从10~100不等的高斯加性噪声，比较了改进后的算法与传统滤波算法以及Manjón非均值滤波算法，结果表明，改进后的算法无论从视觉上还是数值上都优于Manjón非均值滤波算法。

由于人体脑血管结构复杂, 空间比例小, 三维分割和重构十分困难, 本文面向时飞磁共振血管造影(TOF MRA)数据提出了一种新的瑞利高斯有限混合模型来实现脑血管的自动提取和分割。首先, 对已有的混合模型进行了分析; 然后, 采用最大强度投影法(MIP)预处理脑部数据后采用高斯分布拟合血管类, 采用瑞利分布和高斯分布拟合非血管类。提出的模型构造简单, 参数向量较少; 在血管与非血管的混合区域, 模型与灰度直方图具有较好的拟合性。模型在传统期望最大化(EM)算法中加入随机扰动项构造随机期望最大化(SEM)算法来实现混合模型的参数估计, 降低了算法对初值的依赖, 同时提高了鲁棒性。实验证明, 与已有双高斯模型相比, 血管点数增加了27%, 可细分到三级血管且细节的连通性更好。本模型可更准确地拟合数据的灰度分布曲线, 有效地分割脑血管主分支及周围较细小分支, 泛化性较好并可应用于相似系统中。

考虑对脑血管进行三维分割具有一定难度，提出了一种基于全局LBF (Local Binary Fitting)水平集模型的脑血管层次化粗分割方法。首先，应用定向加权中值(DWM)滤波和各向异性扩散滤波去除脑图像噪声，同时保存血管边缘信息，在多尺度条件下局部梯度最大(LIGM)算法，应用灰度和梯度信息提取备选血管，基本实现脑灰质去除。然后，改进全局信息LBF水平集算法实现最大强度投影(MIP)图像分割，采用形态信息提取备选血管，剔除干扰组织。最后，融合两种方法实现脑血管粗提取。实验表明，层次化的分割方法可去除大部分不相关脑组织，包含直接双高斯统计模型中的所有分割血管信息。本项研究基于时飞磁共振血管造影(TOF_MRA)数据，相关研究结果可扩展到其它相似系统中。

为了在普通微机上实现对医学体数据场的实时清晰绘制,给出了一种多种因素融合的光学属性赋值方法,进而提出一种新的医学体绘制算法。将医学体数据场进行分类,对于前景体素集采用LOD(Layer of Detail)技术进行重采样;然后用定义的光学属性赋值方法对采样点赋值,从而将物体距离视点的距离与物体距离光源的距离有效地结合起来。最后,采用基于空间跳跃的加速技术显示背景体素。实验结果表明:对于512×512×482×2 Byte大小的体数据在减少至原来大小2/3的情况下,在普通微机上能够达到2.5 frame/s的清晰绘制。本算法能够实现一般大小体数据场的实时绘制,而且组织器官显示清晰,符合人的视觉特征。