本研究探讨了变分自编码器（VAE）在神经影像学中处理高维数据的无监督学习挑战，展示了其在揭示神经退行性过程中的潜力，对复杂脑数据分析具有重要意义。

本研究系统回顾了脑血管疾病影像学标志的自动识别系统，评估现有软件，发现缺乏公开验证的综合分析系统，并指出该领域的不足与改进潜力。

本研究评估了人工智能在影像学诊断和预后软组织及骨肿瘤中的应用。研究发现现有的影像-AI工具仍处于概念验证阶段，需要在设计、开发、评估和数据可重复性等方面进行改进。

支气管扩张症的诊断需要测量异常的支气管扩张度，并通过胸部 CT 扫描确认。图像处理方法可以快速解读和评估，准确检测和测量气道和动脉区域的比率和壁厚。开发了一个应用程序用于测量可见区域的气道直径、动脉直径、比率和壁厚，准确可靠。还需要进一步研究和验证以提升方法性能。

本研究使用放射组学特征探索生成合成肿瘤图像的可行性，通过RadiomicsFill-Mammo技术生成模拟的乳腺肿块图像，显著改进了肿块检测能力，为治疗规划和肿瘤模拟开辟了新的研究方向。

介绍了Spectral Inference Networks框架，用于无监督表示学习，通过学习线性算子的特征函数。应用于量子力学和合成数据集，从视频中恢复线性算子的特征函数并发现可解释的表示。