该文综述多模态医学图像分析进展，涵盖Transformer与GAN等方法，用于脑肿瘤分割、图像合成与配准。重点包括mnFormer处理不完整多模态数据、TransMed结合CNN与Transformer、多任务U-Net框架、跨模态合成（CT/PET/MRI互转）及阿尔茨海默病预测，并在BraTS等数据集上验证了优越性能。

该文介绍了一种基于边缘保持稠密自编码器网络的多模态医学图像的端到端无监督融合模型。该模型通过特征图注意力池化改进了特征提取过程，提高了源图像中精细边缘细节信息的保留和融合图像的视觉感知。实验结果表明，该方法在多种医学图像对上训练，有效地捕捉源图像的强度分布和保留诊断信息，提供了改进的视觉和定量结果。

该文介绍了一种基于边缘保持稠密自编码器网络的多模态医学图像的端到端无监督融合模型，通过波尔特分解的特征图注意力池化改进了特征提取过程，提高了源图像中精细边缘细节信息的保留和融合图像的视觉感知。实验结果表明，该方法相比其他最先进的融合方法提供了改进的视觉和定量结果。