提出基于条件实例归一化的跨模态医学图像分割框架，使用单一条件模型适配多种模态输入，无需配准图像，在心脏分割任务中显著提升分割精度，最高Dice准确率提升6.87%。
本文提出MsgFusion方法，通过双分支网络分别处理MR图像的频域特征和PET/SPECT/CT图像的色彩特征，结合医学语义信息指导图像融合。实验表明该方法在脑部疾病诊断中优于现有方法，并获得临床医生认可。
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。
