通过生成对抗网络（GAN）模型，提出了一种基于图像转换的方法来解决超声图像中的领域自适应问题，该方法能够改善图像的纹理模式和降噪，同时保持图像的解剖结构。

本研究提出了一种基于多任务学习的超声颈动脉内膜斑块分割与分类方法，通过区域和样本权重提升任务间相关性。利用弱监督学习，模型在斑块分类准确性上提高了约1.3%，混合回声斑块分类准确性提升约3.3%。该方法有效减少了对分割注释的依赖，验证了其在医学影像分析中的应用潜力。

该研究介绍了一种新方法，利用深度学习模型从颈动脉进行非侵入性计算，并应用 PV 校正，以消除对侵入性动脉采样的需求。该方法成功定位癫痫起始区，为临床疗效的取得做出了贡献，患者在治疗后达到了无癫痫发作的状态。

该研究提出了一种弱监督辅助任务学习网络模型(WAL-Net)，通过斑块分割任务为斑块分类任务提供有价值的信息，提升了颈动脉斑块分类准确性约1.3%。