本研究提出了一种新框架，通过知识蒸馏聚合多个大型医疗基础模型，解决医疗图像分割任务中的训练和推理复杂性问题。聚合模型在12个任务中表现优越，Dice系数平均提高2%。

本文提出三种可插拔的解码器，采用神经记忆常微分方程的不同离散化方法，解决U形网络在医疗图像分割中的参数过多和计算复杂度高的问题。实验结果表明，这些解码器有效减少了20%至50%的参数和最高74%的FLOPs，同时保持了性能。

本研究提出了一种超像素传播伪标签学习方法（SP${}^3$），有效解决了弱半监督医疗图像分割中的监督信息不足问题。该方法利用超像素结构信息，显著减少标注工作量，仅需全监督方法的3%。在肿瘤和器官分割任务中，达到了约80%的Dice分数，证明了其有效性和高效性。

本文介绍了一种针对医疗图像分割的对抗性数据增强方法，旨在提高神经网络在低数据情况下的泛化能力和鲁棒性。同时，研究了手术工具检测和图像污染对深度学习模型的影响，并提出了新的损坏仿真方法OmniCE，以增强模型在病理图像中的表现。

本研究提出了一种基于3D频率域的对抗攻击方法，以增强医疗图像分割模型的鲁棒性，并引入频域一致性损失来平衡性能与鲁棒性。研究表明，只有通过对抗样本训练才能提高模型的鲁棒性，并分析了鲁棒性与准确性之间的权衡。此外，研究还探讨了越野自动驾驶中语义分割模型对对抗性输入的脆弱性，并提出了改进方法以提升模型的稳健性。