本研究提出了一种自适应子采样方法，解决超声成像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，显著提高信息获得率，重建误差减少15%。该方法为实时超声成像提供了重要技术支持。

该研究提出了一种基于深度学习的自动淋巴结检测方法，显著提高了CT扫描和超声成像的诊断准确性，优化了网络架构并引入新技术，实现了高灵敏度和特异度，提升了腹腔镜手术的效率与安全性。

本研究提出了多种基于深度学习的超声成像方法，包括声速估算、可视组织识别和超声视频合成，旨在提高超声成像的精度和效率。结合大型语言模型，开发了智能超声波机器人，优化了扫描策略，提升了医疗工作流程的效率和质量。这些技术在临床应用中展现出显著潜力。

该研究提出了一种基于深度学习的自动淋巴结检测方法，显著提高了CT扫描和超声成像中的检测灵敏度，实现了对淋巴结的高效分割和分类，展示了在乳腺癌及其他癌症检测中的应用潜力。

本文提出了一种混合方法，结合超声物理学与学习方法，显著改善超声成像质量。研究表明，该方法在图像重建中优于传统技术，能够有效保留散斑纹理特征并提高去卷积质量，适用于设计衍射光学元件。实验结果显示，基于学习的超声反问题模型实现了高质量图像重建。

本研究提出了一种新型采样框架和扩散模型，用于从射频数据中重建高质量图像。实验结果表明，该方法在单平面波条件下优于传统技术，结合超声模型和去噪扩散模型，实现了高效的图像重建和多普勒变化估计。此外，研究还探讨了扩散模型在音频生成和超声成像中的应用，显示出显著的性能提升。

本文提出了一种新型深度学习方法，利用先进的扩散模型和采样框架，从射频数据中重建高质量图像。实验结果表明，该方法在空间和对比度分辨率上优于传统技术，具有广泛的临床应用潜力。此外，研究还探讨了超声成像中的声速估算和波束预测技术，展示了深度学习在提高成像精度和效率方面的优势。

本文介绍了一种音频-视觉建模方法，可定位超声成像中的解剖区域。该自我监督方法学习到的解剖表征可提高下游临床任务性能，超过完全监督的解决方案。