现代医学依赖影像解读，AI医疗视觉语言模型（LVLMs）面临数据稀缺和任务冲突的挑战。浙江大学等团队提出HealthGPT模型，通过异构知识适配，构建统一的医疗多模态理解与生成模型，推动医疗AI的发展。

本研究提出NOVA基准，用于评估模型在异常定位、视觉描述和诊断推理方面的能力。NOVA包含约900个脑MRI扫描，涵盖281种罕见病理。结果显示，主流模型在处理这些异常时性能显著下降，突显其在分布外推广能力上的不足。

该研究提出了一种新型深度学习架构XDementNET，结合多残差块和空间注意力块，显著提高了阿尔茨海默症MRI分类的准确率，超过99%。该模型在多分类任务中表现优异，并具备良好的患者进展可解释性。

本研究利用人工智能技术提升下颌关节MRI图像分割的准确性和速度，分析了94幅图像数据，比较了多种神经网络模型，最终发现Roboflow模型表现最佳，为未来的测距和病理诊断提供了基础。

本研究提出了一种新型SVR方法，能够在运动干扰下快速、准确地重建低分辨率MRI图像，显著提升重建质量并减少50%的重建时间。

本研究提出了一种基于CycleGAN的方法，首次应用于健康与肿瘤组织，成功解决FA图与束流图谱空间不对齐的问题，生成高保真FA图，尤其在肿瘤区域表现优越。

本研究提出了一种心脏表型引导的CMR生成方法（CPGG），有效解决了高质量心脏磁共振成像数据集稀缺的问题，成功合成了大量高质量CMR数据，从而提升了诊断性能和心脏表型预测能力。

本研究提出了一种无监督的图像重建算法，旨在解决自由呼吸和未门控3D心脏MRI中的运动补偿问题。该算法通过低秩模型有效表示运动相位，显著提升了心脏MRI图像的恢复质量。

本研究提出了一种新颖的外部体积去除方法，有效解决了实时动态MRI中因心脏外组织引起的混叠伪影问题，显著提升了图像重建质量。

本研究提出BM-MAE预训练策略，解决多模态医学影像中的缺失模态问题，提高资源利用效率，并在多项任务中优于传统预训练方法，具有实际应用价值。

本研究引入ScopeMRI数据集，提出了一种新深度学习框架，成功解决了Bankart损伤的诊断问题。该模型在常规MRI上的表现与放射科医生相当，展示了深度学习在影像诊断中的潜力。

本研究提出了一种基于卷积神经网络的多类别脑肿瘤分类方法，通过图像预处理和超参数调优，构建轻量级深度学习模型，实现了98.78%的分类准确率，具有临床应用潜力。

多发性硬化症（MS）是一种影响中枢神经系统的慢性疾病，全球约有280万人受影响。英国研究团队开发的MindGlide工具通过单次MRI对比提取关键信息，简化了分析过程，提高了治疗效果评估的效率，为MS研究提供了新思路。

本研究解决了传统白质纤维追踪形状测量方法在大规模数据集中的计算成本高和耗时问题。提出了Tract2Shape，一个新的多模态深度学习框架，利用几何和标量特征预测白质形状测量，显示出其优越的性能和强大的泛化能力。该方法为未来大规模白质形状分析奠定了有希望的基础。

伦敦大学学院开发的AI工具MindGlide能够从多发性硬化症患者的MRI扫描中提取大脑损伤等关键信息，简化MRI分析，降低成本，提高治疗效果评估能力，展现出临床应用潜力。

本研究解决了心脏MRI图像语义分割的精确性问题，提出了一种新模型，通过在U-Net的下采样过程中提取边缘属性和上下文信息，并在上采样过程中注入这些信息，从而能够更准确地定位左心室、右心室和左心肌。结果表明，该模型的Dice相似系数提高了2%-11%，且Hausdorff距离减少了1.6至5.7毫米，显示出其在心脏疾病早期检测中的重要潜力。

本研究提出ViTa模型，结合3D+T心脏成像数据与患者因素，提升心脏MRI在健康评估中的效果，支持多种临床分析任务。

本研究针对膝关节半月板的自动分割问题，弥补了现有研究未使用大型视觉Transformer模型的空白。通过将“任何分割模型”（SAM）应用于三维膝关节MRI影像分割中，研究发现尽管经过全面调优，SAM的表现仍逊色于传统的3D U-Net，但与2019年IWOAI膝关节MRI分割挑战赛的优胜者表现相接近，这突显出在低对比度及模糊边界的医学影像分割任务中，基本模型仍具优势。

本研究评估了三种多参数MRI分割工具的性能，结果显示MRSegmentator在Duke肝脏数据集中的表现最佳，Dice系数达到80.7，具有重要的临床应用潜力。

本研究利用VFNet神经网络和选择性增强技术（ILL），将多参数MRI中淋巴结定位的灵敏度提高至约83%，比未使用ILL提高约3%。