本文提出了一种基于对抗学习的无监督域适应框架，旨在解决不同模态医学图像分割的跨域问题。该方法通过域适应模块和域批判模块，利用MRI图像训练的卷积神经网络适应CT数据，实现心脏结构分割，取得良好效果。同时，研究探讨了结合特征匹配和域对抗训练的多域医学图像分割深度无监督领域自适应方法，以提升分割性能。

本文提出了一种基于对抗学习的无监督域适应框架，旨在解决不同模态医学图像分割中的跨域问题。该方法利用MRI图像训练的卷积神经网络，能够适应非配对的CT数据进行心脏结构分割，取得了良好效果。同时，研究探讨了多模态学习、形状先验知识和图像对齐等方法，验证了在多个医学任务中的优越性和鲁棒性。

该研究扩展了视频扩散模型，利用语义解剖信息生成超声心动图视频，提升了合成视频的真实感和连贯性。提出的去噪扩散概率模型（DDPMs）在医学影像分析中表现优异，Dice分数显著提高。HeartBeat框架实现了高保真度的超声视频合成，适用于多种医学成像任务。同时，研究建立了CardiacUDA数据集，改进了心脏结构分割效果。

本研究提出了一种基于1D运动描述符的心脏动态过程表示方法，利用深度学习和变形图像配准技术评估心脏功能。通过卷积神经网络自动识别关键特征，分析多普勒观测图，展示了在心射血末期检测中的优势。此外，研究还介绍了CAMUS数据集，评估深度卷积神经网络在心脏结构分割和临床指标估计中的效果，优于传统方法。

该研究提出了一种全局-局部融合网络，通过多视角信息的全局和局部利用来改善心脏结构分割的准确性，优化超声心动图分析的稳健性。在多视角超声心动图数据集上，该方法取得了优异的结果。