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。

本研究提出了一种新方法，将超声心动图转化为高质量的心脏MRI图像，有效解决了噪声和对比度不足的问题。经过Cycle-GAN训练后，78.9%的病例中医师更倾向于使用合成图像进行诊断。

该研究扩展了视频扩散模型，利用语义解剖信息生成超声心动图视频，提升了合成视频的真实感和连贯性。提出的去噪扩散概率模型（DDPMs）在医学影像分析中表现优异，Dice分数显著提高。HeartBeat框架实现了高保真度的超声视频合成，适用于多种医学成像任务。同时，研究建立了CardiacUDA数据集，改进了心脏结构分割效果。

该研究提出了HeartBeat框架，用于高保真度的超声心动图视频合成。通过多模态条件感知和两阶段训练，简化模型训练，提升生成视频的真实感和连贯性。实验证明其在心脏疾病诊断中的有效性，尤其在主动脉瓣狭窄检测中表现优异。

该研究通过自监督学习和弱监督训练，在稀疏注释的超声心动图视频中实现了一致的左心室分割，Dice得分达到93.32%，并通过未标记帧实现高数据效用。

超声心动图在小儿心脏病学中至关重要。P-Mamba是一种用于儿童超声心动图左心室分割的创新方法，提高了准确性和效率。

该研究提出了一种名为神经心脏运动场的新方法，通过内隐神经表示模拟心脏的三维结构和全面的六维前后运动，解决了心肌运动追踪方法的问题，具有在超声心动图视频输入中应用的优势。

SAF-Net是一种新型视图融合模型，用于从多视角超声心动图记录中检测心肌梗死。该模型利用自注意机制学习提取的特征向量中的依赖关系，实现了较高的精确度、敏感度和准确度。

该论文介绍了一种解决医学成像中标记数据不足问题的自适应锁定不可知网络（ALAN）方法。该方法通过自我监督的视觉特征提取和解剖鲁棒的语义自分割来稳定地识别心脏的解剖子区，并设计了两个下游模型用于解剖区域分割和超声心动图视图分类。应用于三个公开的超声心动图数据集，结果表明该方法有效。