随着成像设备的不断更新和深度学习的不断发展,深度学习方法近年来在医学图像处理领域取得重大进展。其中,医学图像修复任务可以在图像缺失区域生成视觉逼真的修复内容,因此广泛应用于图像去噪、手术评估和愈后评估等领域。与自然图像不同的是,医学图像的背景复杂且像素点间差异极小,因此如何充分挖掘并有效使用图像中隐含的特征信息进行图像修复是一个具有挑战性的问题。此外,医学图像实例分割是计算机辅助诊断的关键步骤之一,它可以同时实现疾病分级、病变检测和细粒度病变组织分割。但是,与自然图像不同的是,医学图像的分割标签需要由资深专家标注且标注成本巨大,因此如何仅使用少量数据并充分利用各任务间的隐含关联进行实例分割是一个具有挑战性的问题。为解决现有图像修复方法由于缺乏足够的先验知识,导致无法生成结构合理且纹理可信的修复内容,论文提出一种基于多任务驱动的生成对抗网络,它由多模态引导网络和图像精修复网络两部分组成。多模态引导网络通过结构重建生成器、纹理细化生成器和语义指导生成器分别获取原始图像的低频结构、高频纹理和高阶语义信息。随后利用多特征融合的思想,图像精修复网络自适应地融合图像的低频结构特征、高频纹理特征以及高阶语义特征,从而实现图像缺失区域的精细修复。通过添加多模态引导网络,论文所提方法能得到结构合理、纹理可信且语义一致的修复内容。为解决现有针对不同任务设计的模型会给出不一致或不对应的预测,并且忽视了各个任务间存在隐含关联的问题,论文提出一种基于多任务增强的边界感知分割方法,它充分利用检测任务与分割任务的互利性,并在统一框架中增强上述各项任务。论文提出的信息增强模块,基于特征激活机制,使用检测信息作为分割分支的有益补充,使得分割分支能快速定位病变区域。为进一步实现精细分割,论文还提出一种边界感知损失函数,它可以感知网络性能,动态调整监督信号,使模型在训练后期更加注重边界。通过添加信息增强模块和边界感知损失函数,论文所提方法能同时实现精确的检测和具有清晰边界的分割。