本研究提出DenseVoxNet，一种新型三维卷积神经网络，能够有效分割心脏和大血管。该网络通过最大化信息流和特征重用，显著提升医疗应用性能。研究还探讨了多种深度学习方法在心脏MRI图像分割中的应用，展示了其在准确性和鲁棒性方面的优势。

本文提出了一种基于深度学习的无监督动态磁共振成像（MRI）重建算法，利用低维流形和卷积神经网络，显著提高了动态MRI序列的重建质量和速度。该方法在心脏成像中表现优于现有技术，减少了对训练数据的需求，并实现了高准确度的心脏分割。

该文汇总多项深度学习医学影像研究，涵盖超声心动图、心脏MRI及胎儿超声。重点包括：左心室分割与注意力机制评估心功能；3D nnU-Net提升分割时序一致性；自监督对比学习实现心血管疾病诊断；多任务框架用于胎儿血管分割与先心病分类，并发布CAMUS等数据集。