随着人工智能和医学影像技术的发展，医学数据迅速增长，推动了疾病诊疗和健康管理的变革。高质量医学数据集是实现精准医疗的关键，必须遵循伦理规范以保护患者隐私。在构建数据集时，需要整合多模态信息，以满足临床需求并支持模型训练。

本研究解决了现有医学视觉语言模型在超声心动图解读中存在的单帧输入导致的诊断准确率低的问题。通过开发一种视频语言模型，利用五种不同视角和完整视频序列作为输入，并在60747个病例的超声视频与临床报告对上进行训练，结果显示该模型的解读准确率显著高于仅使用单视角视频或静态图像的模型。

本研究针对心脏超声成像获取困难的问题，提出了一种新的AI导航系统，利用决策模型识别心脏的下腔静脉。该系统通过二分类训练和实时定位算法，能够有效地进行高质量和低质量超声视频的标注，从而推进超声诊断技术的普及，对医院外的超声应用产生积极影响。

超声心动图是心血管疾病检测的重要工具，但现有模型在多切面图上的泛化能力不足。深圳大学团队提出的EchoONE模型结合自然图像分割技术与心脏超声知识，能够有效进行多切面超声心动图的精准分割，提高临床应用的效率与准确性。

本研究提出了一种顺序时空网络(SSTN)模型，旨在标准化产程超声中胎头评估。SSTN能够准确识别超声平面，分割解剖结构，并测量进展角(AoP)和头耻距离(HSD)。在临床数据集上，该模型的表现优于现有模型，AoP和HSD的误差分别降低了18%和22%。

本研究针对心脏超声图像自动分类和评估中的数据不足问题，推出了第一个在线开放分级数据集CACTUS，包含多种心脏视图和质量水平的图像。同时，提出了一种深度学习框架，通过卷积神经网络进行图像分类，并利用迁移学习进行模型调优，最终实现高达99.43%的分类准确率和低至0.3067的评估误差，展现出显著的实用性和潜在影响。

本研究提出了一个包含771,244个问答对的超声心动图报告数据集，旨在提升心脏病学问答系统的性能。通过微调大型语言模型，显著改善了问答效果，支持临床医生进行心脏鉴别诊断，减轻文档负担。

本文解决了在超声图像中手动分割胎儿大脑皮下结构的困难问题，通过深度学习实现自动化分割。研究提出了一种新颖的测试时间适应性方法，借助标准解剖图集提高模型性能，测试结果显示该方法对不同领域变化具有显著改进潜力，有助于更有效地监测胎儿大脑发育。

本研究解决了工业环境中气体泄漏和电弧放电检测的挑战，提出了一种结合视觉识别和声学验证的深度学习机器人系统。该系统通过多模态数据融合，显著提高了危险源的分类可靠性和检测准确性，在真实工业场景中的测试中表现出比传统模型高出44%的性能提升，具有实时部署的潜力。

本研究解决了传统自由手3D光声和超声成像中视野狭窄和准确运动估计的挑战，提出了一种结合全局-局部自注意力模块的运动学习网络（MoGLo-Net）。该方法通过创新的自注意力机制和补丁相关操作，显著提高了3D重建的精确度，并展示了超越现有先进技术的优越性能，拓展了3D重建技术在多种成像模式中的应用潜力。

本研究解决了传统超声图像分割方法在准确性和处理能力上的不足。提出了一种新颖的时间注意模块（TAM），能够高效地提取时间特征并与现有的CNN或Transformer网络无缝集成，显著提升了心脏图像分割的效果。实验结果表明，TAM增强的网络在多种心脏数据集上的表现优于当前的主流方法，展现出其强大的鲁棒性和可扩展性。

本研究针对 COVID-19 疫情中超声成像在检测中的应用所面临的超声数据集规模和标注缺乏的问题，提出了一种名为 MeDiVLAD 的新的多级肺部超声严重程度评分管道。通过自我知识蒸馏和双级 VLAD 聚合特征，MeDiVLAD 在分类推理和评分精度上超越了传统的全监督方法，为自动识别肺部病理和更广泛的医疗视频分类任务提供了强大的解决方案。

本研究提出了一种结合超声声响与机器学习的新方法，用于小鼠自闭症谱系障碍（ASD）的检测，显示出良好的分类效果，为ASD检测开辟了新方向。

本研究解决了深度神经网络在乳腺癌医学影像诊断中对抗攻击的脆弱性问题。提出的Prompt2Perturb (P2P)方法利用可学习的文本提示生成隐蔽而有效的对抗样本，避免了传统方法对数据集的高需求，并通过直接优化早期逆扩散步骤提高效率。研究结果表明，P2P在多项指标上优于现有技术，生成的图像更自然且有效。

本研究解决了现有UNet和UNet++模型在乳腺超声图像分割中对时间特征关注不足的问题。通过整合LSTM层和自注意力机制，并引入多尺度特征提取模块，提升了模型对时间变化的敏感性。研究结果表明，该方法在准确性和其他评价指标上具有竞争力，能够显著提高乳腺癌早期检测的效率。

本研究针对超声图像中轮廓模糊和伪影形成问题，提出了一种基于轮廓的概率分割模型CP-UNet，旨在增强分割网络在解码过程中的轮廓聚焦。实验结果表明，该方法在乳腺和甲状腺病变的分割性能上优于多种先进的深度学习分割方法。

该研究提出了一种智能机器人超声检查系统，能够自主学习和理解超声语言，利用高斯滤波器和深度学习技术提高超声图像的生成和分割精度。新系统结合大型语言模型，优化扫描策略，显著提升超声检查的效率和质量，减轻医疗负担。

本研究针对儿童超声心动图分析中的人工智能应用中的挑战，如公共数据有限、数据隐私和模型透明性等问题，提出了一种新颖的方法，强调可解释人工智能和联邦学习的协同工作流程。研究发现，这些技术在视图识别、疾病分类和心脏结构分割等临床应用中具有显著的潜力，为未来的发展指明了方向。