本研究针对人工智能驱动的心脏磁共振成像（CMR）分割模型中的种族偏见问题，探讨了常见偏差缓解方法的有效性，尤其是在黑人和白人受试者之间的偏差。研究发现，通过过采样和群体分布鲁棒优化（Group DRO）等方法可以显著改善不足表示的黑人受试者的表现，同时使用裁剪的CMR图像可以进一步减少偏见并提高表现。

本研究提出了Triad模型，解决了现有视觉基础模型在MRI应用中的性能不足。通过在131,170个3D MRI体积上进行预训练，显著提升了器官/肿瘤分割、分类和医学图像配准的性能。

本研究提出了一种基于深度学习的心肌梗死自动分割框架，采用二维和三维卷积神经网络，结果表明自动分割与人工分割高度一致，具有临床应用潜力。

本文提出了一种基于子空间隐式神经表示的重建框架，解决了传统心脏运动磁共振成像在时间分辨率和动态捕捉方面的问题，显著提升了图像质量和高分辨率成像的诊断能力。

本研究探讨了脑电图（EEG）与功能磁共振成像（fMRI）之间的动态连接模式，弥补了对脑网络相互作用理解的空白。通过整合静态与动态的EEG-fMRI数据分析，我们发现了独特的连接状态及其时间波动，强调了感知系统和默认模式网络的重要性。研究结果揭示了连接强度与认知过程之间的关系，尤其是在不同视觉状态下，为进一步的脑动力学研究提供了基础。

本研究解决了小血管可视化数据集不足的问题，推动脑部小血管疾病的研究。通过SMILE-UHURA挑战，提供了7T MRI注释数据集，并测试了多种深度学习分割算法，结果表明大多数方法具有良好的分割性能。

本研究提出了一种新的深度学习纤维聚类框架——深度多视图纤维聚类(DMVFC)，有效结合了dMRI的几何特征与fMRI的BOLD信号，优于现有聚类方法。

本研究解决了磁共振光谱成像(MRSI)在低分辨率条件下获取高分辨率图像的迫切需求。提出了一种基于流的截断去噪扩散模型(FTDDM)，通过截断扩散链来加速采样过程，并在多尺度超分辨率中表现优越。研究结果表明，FTDDM的采样速度比基线扩散模型快9倍以上，且在临床上具有明显优势。

本研究提出了一种自监督深度学习框架（LAPANet），有效解决了快速动态成像中的运动估计问题。该方法在心脏运动估计方面优于传统技术，为动态MRI应用提供了新思路。

研究评估了心血管磁共振电影分割中的自监督预训练方法。结果表明，在标记数据稀缺时，自监督预训练能显著提升分割性能；但在数据充足时，对现有方法无明显提升。该研究为心血管成像自动化提供了新思路。

本研究旨在解决现有等变卷积神经网络在动态磁共振成像中未能充分利用旋转对称性的问题。提出了一种新颖的时空旋转等变卷积神经网络框架（SRE-CNN），通过设计高精度滤波器和构建时序等变卷积模块，充分利用动态MR图像的旋转对称性。实验结果表明，该方法在高达20倍欠采样的动态心脏影像重建中表现优越。

本研究提出了一种基于深度学习的集成策略，用于脑肿瘤的分割。该方法结合了先进的神经网络模型和后处理策略，在儿童脑肿瘤、颅内脑膜瘤和脑转移瘤的分割任务中表现出显著效果，对临床决策具有潜在影响。

我们提出了一种新颖的方法，通过学习预期的外观来进行术中患者到图像的注册。该方法通过最小化术中2D视图与合成预期纹理之间的差异来估计相机姿态。在脑外科手术中的神经导航背景下应用该方法，结果优于现有方法，并达到了当前临床标准的准确性。

核磁共振（NMR）光谱是广泛应用于生物医学、化学和生物学领域的分析技术。最新研究发现，深度学习（DL）在NMR去噪中具有潜力，比传统方法更优。通过将数据驱动训练与传统的TV去噪相结合，DL方法的性能可以进一步提高。TVCondNet方法优于传统的TV和DL方法，具有更好的去噪性能和更快的推断速度。

最近的研究发现，深度学习在核磁共振光谱去噪中具有潜力。通过数据驱动训练与传统去噪方法相结合，DL方法的性能可以进一步提高。TVCondNet方法在NMR数据去噪方面表现出更好的性能和更快的推断速度。

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。

该研究提出了一种自动准确地将脑部磁共振图像分割成组织和结构的方法，通过使用知识导向的提示学习的两步分割框架，实现了优越性和鲁棒性。

本研究开发了一种仿真算法，生成接近真实图像的厚层CT图像。使用PSNR和RMSE指标评估，结果显示该方法在PSNR和RMSE方面显著提高。进一步验证并用于训练超分辨率模型，提高性能。

本文介绍了ProxNet学习框架，用于解决磁共振指纹问题。该框架结合了前向采集和布洛赫动力学模型，通过循环学习机制和神经近端模型进行去混淆和定量推断。实验结果显示，ProxNet具有高精度、低存储需求，并且比字典匹配方案更快。

本文提出了一种完全自动化的深度卷积神经网络脑肿瘤分割和分类模型，包括多尺度方法。该模型可分析MRI图像中的三种肿瘤类型，无需预处理输入图像。在包含233名患者3064张切片的MRI图像数据集上，该方法的肿瘤分类准确度明显高于其他方法。