本研究提出MGD-SAM2模型，旨在提高高分辨率无类别分割的细粒度细节分割精度。通过整合多视角特征，模型显著增强了局部细节和全局语义的提取能力，实验结果表明其在多个数据集上表现优异。

本研究提出共享注意力自编码器（sATAE）和层次融合图卷积网络（HFGCN），有效整合动态与静态特征，提升sEEG发作起始区（SOZ）的识别能力，实验结果表明其性能优越。

该研究提出了TexLiverNet模型，有效解决了肝肿瘤分割中文本与影像结合的挑战，能够精准描绘病灶边界，优于现有方法，具备临床应用潜力。

本文介绍了基于Vision Transformer的HyperSIGMA模型，用于处理高光谱图像中的光谱和空间冗余问题，并通过光谱增强模块整合特征。实验证明HyperSIGMA在高级和低级HSI任务上具有多功能性和优越的代表能力，并在可扩展性、健壮性、跨模态传输能力和实际应用性方面具有优势。