超声导航引导的目标条件强化学习

本研究提出了一种基于强化学习的超声探头导航框架，使用UNet生成二进制掩模，准确引导探头朝向血管纵向视图。

通过模拟生成超声图像进行网络训练，实现患者特异性图像生成，展示该方法在导航相关任务中的可用性。

使用零-shot学习策略进行三维自主内血管导航，强化学习算法能够学习控制未知内血管解剖结构。

通过强化学习规划扫描路径，实现无阴影超声扫描轨迹的有效性验证。

提出一个用于机器人超声引导手术的技能转移学习框架，研究结果表明经验丰富的临床医生在超声引导手术中表现更佳。

智能机器人超声检查师能够自主学习，理解超声检查语言，提高模型的泛化能力，并在实验中证明了其稳健性。

提出双层质量评估模型，能有效评估超声图像质量，适用于胎儿脑数据质量评估任务。

机器学习方法在心脏疾病诊断中具备高准确性，尤其在主动脉瓣狭窄的检测中表现突出。

使用新型的Goal-guided Transformer-enabled强化学习方法，实现自主导航，具有更高的数据效率和鲁棒性。

介绍了一种新的神经操作学习方法，用于解决超声计算机断层扫描中的时飞行问题，实现对肿瘤识别中软组织分布的实时预测。