本研究提出了一种多层级类-aware令牌变换器（MCAT）方法，旨在提高胎儿超声视频中标准解剖剪辑的定位效率和准确性，特别是在低中收入国家具有重要的公共健康影响。

FetalCLIP是一种用于胎儿超声图像分析的视觉语言基础模型，通过对210,035幅配对图像与文本的数据集进行预训练，有效捕捉胎儿解剖特征。研究表明，该模型在多项应用中表现优异，适用性广泛且对标注数据需求低，将对该领域产生重大影响。

该文汇总多项深度学习医学影像研究，涵盖超声心动图、心脏MRI及胎儿超声。重点包括：左心室分割与注意力机制评估心功能；3D nnU-Net提升分割时序一致性；自监督对比学习实现心血管疾病诊断；多任务框架用于胎儿血管分割与先心病分类，并发布CAMUS等数据集。

该文综述深度学习在胎儿磁共振与超声成像中的应用，包括运动校正、脑部分割、伪迹检测、三维姿势估计和图像质量评估，并介绍FetMRQC等框架及公开数据集，以推动胎儿影像分析发展。