本研究利用人工智能将孕晚期胎儿大脑超声图像转化为伪MRI图像，解决了超声成像质量不足的问题。采用双扩散施加相关性(DDIC)方法，显著提高了大脑组织的可视化能力，具有潜在的临床应用价值。

本研究提出了一种新的生成强化网络（GRN），通过整合分割损失反馈，优化图像生成与分割性能。GRN减少了70%的标注工作量，且性能接近全标注模型，从而提高了超声图像分析的效率。

本研究提出了一种自适应子采样方法，解决超声图像获取中扫描线不足的问题。通过Sylvester正则化流编码器，实时推断近似贝叶斯后验，显著提高信息获取率，重建误差减少15%。

本研究提出了一种新型深度学习医疗图像标注系统，结合卷积神经网络和双向门控递归单元网络，以提高子宫超声图像解读的准确性，辅助医疗专业人士进行及时诊断。

本研究提出了一种新方法，将MRI图像中的肿瘤标注信息应用于超声图像，以改善术中超声图像中脑肿瘤的自动分割效果。实验结果表明，基于MRI标注的模型在肿瘤识别方面表现良好，但对小肿瘤的分割仍需进一步改进。

本研究提出了DeepSPV深度学习管道，克服了二维超声图像在脾脏体积评估中的局限性，能够准确估计脾脏体积，超越人类专家，具备临床决策支持的潜力。

AI进展导致传统诊断方法衰退，端到端诊断即将快速到来。提出结合FPN和SRNN的图像分割模型，加快超声图像分割过程，减轻超声医生负担。

本文比较了七种减噪方法，发现使用深度学习方法的自动编码器在降噪超声图像方面更为有效。

本文介绍了一种基于深度学习的MicroSegNet方法，用于自动化、快速、准确地分割微型超声图像上的前列腺。该方法使用了多尺度注释引导变压器UNET模型，取得了比现有方法更好的结果，并提供了代码与数据集。