项目主要研究成果包括三部分：(1) 基于放射学特征和神经网络的PET-CT鼻咽癌肿瘤分割。我们提出了一种结合标准化摄取值（SUV）和区域生长的鼻咽癌肿瘤分割方法。通过SUV阈值初步分割，再利用种子点区域生长方法精细分割，有效区分真实病灶和误判区域。(2) PET系统的空间分辨率，灵敏度，散射分数和噪声等效计数率等参数的测试评估。采用小鼠和大鼠体模数据对西门子小动物PET系统进行测试，按照NEMA NU-4 2008协议评估其空间分辨率、灵敏度、散射分数和噪声等效计数率（NECR）。(3) 医学图像分割、分类、检索和配准中的一些共性问题取得的进展。我们提出了基于可变尺度块和局部独立投影的图像分割方法，成功应用于前列腺分割，显著提高了分割精度。成果已发表在《IEEE Transactions on Medical Imaging》。我们还提出了局部线性表示和流形方法，用于动态增强肝脏MR图像的配准、海马体分割和脑提取，优于现有方法，成果已发表在《Scientific Reports》和《NeuroImage》。针对阿尔茨海默病（AD）早期分类和诊断，我们提出了基于体素的全基因组关联分析（FVGWAS）框架，有效进行AD数据的全基因组分析，取得了优良的检索性能。相关成果已发表于《NeuroImage》。并利用纵向变化和空间信息的MCI脑部图像分类方法，达到了79.4%的分类准确度，展示了AD预测的潜力。成果已发表在《Scientific Reports》。