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。

本研究提出了一种集成学习方法，旨在提高超分辨率超声成像中微气泡的定位精度，从而显著提升检测的灵敏度和准确率。

本研究提出了一种新颖的多任务组合分割方法，旨在提高心脏图像分割的准确性和效率。该方法在MRI和超声成像中优于传统分割，具有潜在的临床应用价值。

本研究通过将超声成像系统转变为信息代理，结合深度生成建模和贝叶斯推断，自主优化成像序列，提升成像质量和诊断效果。

本研究提出了一种基于物理的去卷积方法，通过模型化点扩散函数提高超声成像分辨率，直接处理B模式图像，显著提升清晰度。该方法在多项指标上优于传统技术，并通过虚拟模型和体内实验验证了其应用潜力。

本研究提出了一种新方法，结合自适应波束形成和去噪扩散模型，以提高超声成像的图像质量。实验结果显示该方法在图像重建方面表现出显著优势，可能对医学成像领域产生重要影响。

自监督预训练在医学图像诊断任务中提高了特征表示，尤其在无标注样本数量较多时。综述了X射线、CT、MRI和超声成像领域中的研究，发现自监督预训练普遍提高了诊断任务性能。建议结合临床知识与自监督学习，评估公共数据集，扩展超声成像领域研究，研究自监督预训练对泛化性能的影响。

该研究探索了自我监督学习在超声成像中的潜力，尤其是在胎儿评估方面。研究结果显示BarlowTwins方法在下游任务中表现稳定，具有潜力。

本文提出了一个病人特定的框架，用于无需跟踪的 iUS 脑肿瘤分割。通过合成超声数据模拟虚拟 iUS 扫描，并训练实时网络来消除超声成像的模糊性，适应神经外科医生的手术目标。实验证明了该方法的有效性，超过了非病人特定的模型、神经外科专家和高端跟踪系统。

本文介绍了一种基于视觉转换器的微型波束形成器(Tiny-VBF)，用于加速超声成像中的计算密集型非实时波束形成算法。Tiny-VBF在资源有限的边缘设备上展示了较低的复杂性和较高的性能，相比于最先进的深度学习模型和传统的延迟和求和(DAS)波束形成器，它具有更高的对比度和分辨率增益。同时，作者还提出了一种加速器架构，并在FPGA上实现了Tiny-VBF模型，资源消耗比浮点实现少50%。

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。