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。

本文提出了一种基于深度学习的非刚性图像配准算法，显著优化了3D脑磁共振图像的配准效果。同时，研究还涉及自动检测心脏磁共振图像中的伪影、运动跟踪方法及运动估计框架，推动了动态医学成像技术的发展。

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。

本文介绍了一种基于超声图像合成的MRI图像生成方法，结合自监督学习和对抗性学习技术，成功生成逼真的胎儿MRI图像。同时，研究提出了多种超声图像处理方法，如高保真视频合成、对比学习框架和术中图像注册，显著提升了医学成像的准确性和效率。

本文介绍了fastMRI数据集及其在磁共振成像（MRI）和磁共振波谱（MRS）中的应用。研究提出了多种深度学习方法，如QNet和PRECISE-DMI，以提高图像重建和代谢物信号的准确性，克服噪声和伪影的影响。此外，结合传统去噪技术与深度学习的方法（如TVCondNet）展现了更优的去噪性能，显示了深度学习在医学图像处理中的潜力。

本研究利用深度学习技术解决了MRI中人脑结构识别和白质异常的问题，提出了QNet和DeepMpMRI等新方法，显著提高了核磁共振数据处理的效率和准确性。同时，研究展示了人工智能在NMR去噪和MRI检查中的应用潜力，推动了相关技术的发展。

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。

本研究提出了一种新颖的医学视觉提示框架，结合自然语言处理技术，提升医学图像分割的准确性和效率。通过少量注释样本训练，显著节省手动成本，实验结果在多种医学图像任务中表现优越。

本文探讨了多种创新的磁共振成像（MRI）重建方法，特别是利用深度学习和扩散模型来提高图像质量和计算效率。研究表明，新算法和采样框架能够在不同采样设置下实现更准确的重建，降低对真实数据的需求，并在临床应用中表现良好。

本文介绍了一种基于深度学习的磁共振成像（MRI）重建方法MRF-Net。该方法通过减少维度和使用层级匹配滤波器，高效重建定量磁共振图，降低存储和计算需求。同时，ProxNet框架结合物理模型，提升了定量推断的精度和效率。这些方法在重建性能和速度上优于传统技术。

该论文提出了一种基于机器学习的系统，通过MRI图像辅助医疗人员进行脑肿瘤分类和诊断。研究表明，使用ResNet-50模型可达到99.06%的准确率，强调数据集平衡的重要性。深度学习技术在脑肿瘤识别中表现出高效性和准确性，最高可达99.54%。不同模型在脑肿瘤分类中的应用显示出良好的临床价值。

本文介绍了一种使用最大强度投影（MIP）作为额外损失准则的方法，用于医学图像中不同大小的血管结构的识别和分割。实验结果表明，该方法能够改善血管连续性，并在感兴趣区域的视觉检查中得到了证实。

本文介绍了PhysRFANet模型，该模型用于实时预测射频消融治疗中的热效应，结合生物物理计算和实验验证，展现出良好的准确性和实时性，从而提升治疗的安全性和有效性。

本文介绍了一种新方法，将动态模块集成到深度学习的MRI重建中，以实现图像加速和运动校正。实验结果显示，该方法在运动损坏的MRI数据集上优于传统技术。同时，文章回顾了深度学习在MRI运动校正中的研究现状，探讨了不同方法面临的挑战及未来发展方向。

该论文提出了一种高效的自监督任意尺度超分辨率方法，专注于重建医学脑部MRI图像。研究表明，该方法在有限训练数据下显著提升了超分辨率性能，具有重要的临床应用潜力。

该研究提出了一种多模态学习框架，通过医学图像提取IDH基因突变特征，以预测胶质瘤基因型。实验结果表明，该模型优于传统深度学习方法，提供了新的预测手段。此外，研究还介绍了基于图神经网络的多种模型，提升了阿尔茨海默病和乳腺癌的诊断精度，展示了在肿瘤成长建模和MRI生成中的应用潜力。

提出了一种名为 CasUNext 的级联网络，用于提高胎儿脑 MRI 分割的准确性和泛化性，评估结果表明 CasUNext 在不同情景下取得了改进的分割性能，对于处理多视角胎儿 MRI 和异常情况具有很大潜力。