提出Mirror U-Net模型，结合多模态分解和多任务学习，通过模态特定解码器和共享表示，在PET/CT肿瘤分割中实现最先进性能，并在脑肿瘤数据集上验证其泛化能力。
本文详细介绍了nnUNet框架在BraTS2021脑肿瘤分割任务中的参数配置方法，包括命令行参数设置、配置文件修改、自定义Trainer类创建等多种调优方式，帮助用户灵活调整学习率、训练轮数、批次大小等关键参数。
本文详细介绍如何在VSCode中配置完整的LaTeX环境，包括TeX Live安装、VSCode设置、LaTeX Workshop插件配置、双向同步功能实现，以及SumatraPDF外部查看器的安装和使用方法。
本文提出一种非对称自适应异构网络，通过异构双流特征桥接编码器分别提取多模态和单模态特征，结合T-CFAF和CMHGF模块实现自适应特征融合，在多个医学图像数据集上展现出优越的分割性能和泛化能力。
提出一种融合PET和MR双模态信息的3D全脑分割网络，通过UX-Net和交叉融合机制实现45个脑区的精确分割。实验表明该方法在Dice系数等指标上优于现有方法，具有更好的分割性能和临床适用性。
