本研究提出了一种基于深度学习的自动化心肌梗死分割框架，利用二维和三维卷积神经网络分析心脏磁共振图像。结果显示，自动分割的梗死体积与人工分割高度一致，且专家评估认为自动分割更准确，具有临床应用潜力。

本文研究了联邦学习在医学成像分类中的应用，成功训练了乳腺密度分类模型，性能提升6.3%。分析不同机构的数据表明，合作培训在域外任务上更具优势。此外，研究提出了针对磁共振图像重建的解决方案，既保护患者隐私，又提高重建效果。整体上，联邦学习增强了模型的诊断隐私和可靠性，优化了医疗结果。

本文提出了一种新颖的深度学习框架，用于在磁共振图像中估计脑肿瘤细胞，达到95%的Dice系数。研究表明，基于不完整图像数据的深度学习分割模型在临床中具有应用潜力，并开发了多模态方法和增量学习模型，以提高脑损伤分割和肿瘤检测的准确性。

本文介绍了一种通过分析磁共振图像中的异常组织，将肿瘤转化为健康组织的方法，并取得了可比较的结果。未来将扩展该方法以修复感兴趣区域。

本文介绍了一种评分生成模型，用于提高PET图像重建的质量，适用于2D和3D PET，并通过使用磁共振图像进行引导重建的扩展。该方法经过实验验证，具有稳健性和显著的PET重建改进潜力。

该研究提出了一个框架，通过综合反事实的结构性磁共振图像并将其转化为灰质密度图来衡量其在感兴趣区域中的体积变化。通过采用轻量级的线性分类器来增强构建的感兴趣区域的有效性，实现了定量诠释，并提供了一个“与阿尔茨海默病相关性指数”，从而直观地理解个体患者和患者组与阿尔茨海默病进展的大脑状态。预测性能与深度学习方法相当。