本文提出基于增强过滤伪标签的无监督域适应方法，通过跨域数据增强生成双域训练集，结合图像级和像素级加权策略筛选可靠伪标签，在三个医学图像数据集上超越十种先进方法，部分结果优于全监督学习。
本文提出Rolling-Unet模型，通过R-MLP模块和Lo2块有效融合局部特征与长距离依赖关系，在保持低计算复杂度的同时，在多个医学图像分割数据集上达到最优性能。
本研究提出F2Net网络，通过跨模态特征增强模块和多模态协作模块，灵活融合任意数量MRI模态，在保持各模态特征特异性的同时探索互补信息，在多个基准数据集上优于现有分割方法。
