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。

本研究提出了一种利用MRI肿瘤标注信息改善术中超声图像中脑肿瘤自动分割的方法。实验结果表明，该模型在肿瘤识别方面表现良好，但对小肿瘤的分割效果仍需改进。

本研究提出了DeepSPV深度学习管道，克服了使用二维超声图像评估脾脏体积的局限性。该管道结合了分割网络和变分自动编码器，能够准确估计脾脏体积，展现出在临床决策支持中的潜力。

本研究开发了一种基于对比学习的深度学习增广方案，显著提高了乳腺癌检测的准确性。通过多样化图像训练，模型在多个数据集上表现优越，尤其在超声图像肿瘤分割和病理缓解预测方面展现了良好的应用潜力。

本文介绍了多种基于深度学习的医学图像处理方法，包括超声图像特征定位、MR-CT图像配准、肝脏手术中的增强现实应用及自主机器人超声系统。这些方法提高了医学图像的配准精度和处理速度，旨在减轻医疗负担并改善患者体验。

本文介绍了心脏磁共振成像和超声图像生成的最新研究进展，包括自动视图规划、深度学习技术的应用、实时导航系统Cardiac Copilot的开发，以及基于扩散的ECHO视频合成框架HeartBeat。这些技术旨在提高心脏超声检查的准确性和效率，尤其在医疗资源匮乏的地区具有重要的临床应用潜力。

本研究提出了一种基于去噪扩散概率模型（DDPM）的新方法，显著改善超声图像质量，保留散斑纹理特征。实验结果表明，该方法在去噪和图像重建方面优于传统技术，具有重要的临床应用潜力。

本研究提出了多种深度学习方法用于胎盘和胎儿超声图像的分割，包括UPI-Net、BRAU-Net和MiTU-Net，强调了迁移学习和不确定性建模的重要性。这些方法在提高分割精度和减少计算量方面表现优异，展示了医学图像分析的应用潜力。

本研究提出了Sam2Rad模型，旨在解决超声图像分割中对高质量人工提示的需求。该模型通过提示学习实现无人工提示的超声骨骼分割，显著提高了多个数据集的分割效果，Dice系数提升2-7%，肩部数据提升33%。

本文介绍了一种新型去噪扩散概率模型（DDPMs），用于生成合成超声图像，作为医学影像分析的训练数据替代品。该方法在图像质量和生成速度上优于传统技术，具有广泛的应用潜力。

本研究探讨了卷积神经网络在超声图像肾脏检测中的转移学习，显示出性能提升。通过深度学习方法识别肾脏肿瘤并量化其形态，利用机器学习处理数据不平衡，随机森林模型实现了100%的慢性肾脏疾病检测准确率。此外，结合CT成像和临床数据，设计深度学习模型以预测肾细胞癌患者的存活概率，从而提升癌症检测质量。

本文介绍了多种基于深度学习的血管分割技术，包括脉动辅助分割神经网络、DopUS-Net和改进的机器学习变压器架构。这些方法通过运动放大、滤波器融合和自我监督学习等技术，提高了超声图像中血管分割的准确性和鲁棒性，具有重要的临床应用潜力。

本研究提出了一种基于迁移学习的胎头分割方法，采用轻量级 MobileNet 作为 U-Net 编码器进行微调，显著减少可训练参数数量，同时保持良好的分割性能。该方法在胎儿头部超声图像数据集上表现优异，突出了模型性能与大小之间的平衡。

本文介绍了基于深度学习的胎儿脑部图像处理技术，包括自动分割、姿态估计和超声图像生成。研究利用GAN技术生成高分辨率超声图像，并开发多标记分割模型，提高了胎儿MRI分析的准确性和可重复性。这些方法为胎儿脑部研究提供了重要工具。

本研究利用CycleGAN等深度学习技术生成高质量医学图像，改善超声图像的分辨率和对比度，提升病变识别能力，简化诊断流程，展示了在临床中的可行性。

本文介绍了一种自我监督深度学习架构，用于在超声图像中分割导管，消除对标记数据的需求。该模型在合成数据上验证，显示出在临床应用中的潜力。此外，提出了多种深度学习框架用于设备检测和跟踪，表现出优越的性能和鲁棒性，满足临床需求。

本文提出了一种结合经典卡尔曼滤波器与数据驱动学习的新方法，以改进超声图像中的针头分割。该方法在编码器-解码器结构中集成了基于卷积神经网络的模块，显著提高了分割精度，针尖误差减少15%，长度误差减少8%。

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。