本研究提出了一种名为AltO的无监督学习框架，通过交替优化方法解决多模态图像对的单应性估计问题。该方法有效处理几何和模态差距，性能优于传统无监督方法。

本研究提出了一种名为MBDRes-U-Net的轻量级脑肿瘤分割模型，旨在降低计算负担。该模型通过多分支残差块和融合注意力的方法，利用多模态图像的局部特征，显著提高了分割性能并减少了计算开销，在脑肿瘤分割挑战赛中表现出高精度。

U-Mamba是一种基于深度序列模型的医学图像分割网络，结合了卷积层和序列模型的优势，能够自适应不同数据集，超越传统的CNN和Transformer。Mamba-UNet架构通过VMamba结构捕捉细节，表现优于UNet和Swin-UNet。此外，研究还提出了LMa-UNet和MambaDFuse等新模型，解决了多模态图像融合和特征提取效率问题，显示出在医学图像分析中的广泛应用潜力。

本文探讨了多种基于深度学习的医学图像配准方法，包括无监督学习和多模态图像的快速自动配准。这些方法在准确性和计算效率上优于传统技术，具有广泛的临床应用潜力。

本文介绍了一种新颖的双自适应掩膜方法（DA-Mask），该方法有效压缩图像并提高可视质量。结合掩膜自编码器和LIC网络，提出了掩膜压缩模型（MCM），在低比特率下优于现有技术。此外，研究还探讨了多模态图像语义压缩（MISC）和医学图像分割Transformer（MIST），在各自领域表现出色。

我们提出了一种融合-分叉学习框架，用于多模态图像的生存预测。实验证明，我们的网络（XSurv）在头颈部PET-CT图像的生存预测中优于现有方法。