本研究提出了一种心脏表型引导的生成模型（CPGG），旨在解决高质量心脏磁共振成像（CMR）数据集稀缺的问题。该模型通过两阶段生成，成功合成大量高质量CMR数据，显著提升了诊断性能和心脏表型预测能力。

本文提出了一种基于深度学习的新方法，结合U-Net和ResNet模型，显著提高心脏磁共振成像的分割精度，并实现心脏疾病分类的97.2%准确率，具有重要的临床应用潜力。

本文介绍了CMRformer框架，旨在改善心脏磁共振成像中的标签缺失和复杂性。研究团队通过深度学习和迁移学习发布了包含300名受试者的CMR数据集，推动图像重建进展。同时，探讨了自监督学习和注意力机制在心脏图像重建中的应用，以提高诊断准确率和图像质量。

本文介绍了心脏磁共振成像和超声图像生成的最新研究进展，包括自动视图规划、深度学习技术的应用、实时导航系统Cardiac Copilot的开发，以及基于扩散的ECHO视频合成框架HeartBeat。这些技术旨在提高心脏超声检查的准确性和效率，尤其在医疗资源匮乏的地区具有重要的临床应用潜力。

基于心脏磁共振成像的深度学习方法面临数据不平衡问题。研究者提出通过生成合成数据，采用去噪扩散概率模型进行训练，以缓解这一问题。实验结果表明，该方法有效减少了数据集中的偏见，特别是在年轻患者和正常BMI水平的心力衰竭患者中，强调了在资源受限环境下的可行性及合成数据在医学分类模型中的重要性。

本文介绍了一种新型心脏磁共振成像（MRI）重建方法——条件去噪扩散概率模型DiffCMR，显著提高了图像清晰度和运动描绘。该方法在心动影像重建和T1/T2映射任务中表现优异，超越了以往技术，具有改善心脏疾病诊断和治疗的潜力。

该研究提出了一种新的神经网络架构CRNN，用于监督影像的心脏磁共振成像重建。该模型结合了单图像超分辨率细化模块，提高了单线圈重建的质量。使用高通滤波器强调原始数据中缺失的高频细节，相较于基准案例有显著改进，并具有进一步提高心脏磁共振成像重建的潜力。

该研究提出了一种新的神经网络架构CRNN，用于心脏磁共振成像重建。该模型结合了超分辨率细化模块，提高了单线圈重建的质量。通过使用高通滤波器，可以更好地强调原始数据中缺失的高频细节，该模型具有进一步提高心脏磁共振成像重建的潜力。