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。

本研究提出了UTNet，一种将self-attention集成到卷积神经网络中的混合Transformer体系结构，用于增强医学图像分割。UTNet通过应用self-attention模块和相对位置编码，能够捕捉不同尺度的长程依赖关系，并在心脏磁共振成像中展现出优异的分割性能和鲁棒性。有望在其他医学图像分割中广泛应用。

本研究提出了解决心脏磁共振成像中呼吸运动伪影问题的方法，结合了切片移动算法、空间变换网络和标签变换网络，性能显著提高，具有临床应用潜力。

该研究提出了一种新的神经网络架构，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，提高了重建质量，并通过高通滤波器突出高频细节。该模型具有进一步提高心脏磁共振成像重建的潜力。

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。