本研究提出了一种无参考的梯度修正方法——梯度集中联邦学习（GC-Fed），有效解决了高数据异质性下的客户端漂移问题，显著提升了训练稳定性和模型性能，精度最高可提高20%。

本研究提出了一种无参考的医学图像质量评估方法，针对MRI引导放疗中的图像质量问题。该方法处理了106,000幅MR图像，显著提升了图像质量指数和肿瘤追踪的准确性，具有重要的临床应用价值。

本研究提出了一种鲁棒的无参考图像质量评估指标，有效应对对抗攻击，显著提升质量预测准确性。