AI通过多模态模型MAARS，能够以89%的准确率识别心脏病风险，超越传统MRI检查。该模型分析原始MRI图像，捕捉隐藏的纤维化瘢痕，使肥厚型心肌病的诊断率提升至93%。MAARS还具备可解释性，帮助医生制定个性化治疗方案。

研究表明，DunedinPACNI指标能够量化个体衰老速度，基于MRI数据分析大脑结构特征。该指标与认知功能、健康状况及慢性疾病风险相关，能有效预测未来的认知衰退和死亡风险。

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。

该研究提出了一种新型深度学习架构XDementNET，旨在提高阿尔茨海默症MRI数据的分类准确性。该模型结合多残差块和空间注意力块，在多分类任务中实现了超过99%的准确率，并具备良好的患者进展可解释性，优于现有方法。

本研究提出NOVA基准，用于评估模型在脑MRI异常定位和临床推理中的能力。NOVA包含约900个脑MRI扫描和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，反映出其在分布外推广能力的不足。

本研究利用神经网络提高下颌关节MRI图像分割的准确性和速度。分析了94幅图像，比较多种模型，发现Roboflow模型在分割中表现优异，为病理诊断奠定基础。

本研究提出了一种基于隐式神经表示的切片到体积重建方法，能够从多张运动干扰的低分辨率2D切片中快速准确地重建高分辨率MRI图像。实验结果表明，该方法在重建质量上显著优于现有技术，并能减少多达50%的重建时间。

本研究利用CycleGAN模型解决了FA图与束流图谱之间的空间不对齐问题，首次在健康和肿瘤组织中生成高保真FA图，显示出在肿瘤区域的优异表现，具有增强临床工作流程的潜力。

本研究提出了一种心脏表型引导的生成模型（CPGG），旨在解决高质量心脏磁共振成像（CMR）数据集稀缺的问题。该模型通过两阶段生成，成功合成大量高质量CMR数据，显著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。

本研究提出了一种名为BM-MAE的遮挡图像建模预训练策略，旨在解决多模态医学影像中的缺失模态问题。该方法提高了医疗成像的资源利用效率，并在多项任务中优于传统的单模态预训练方法，展示了其实际应用价值。

本研究提出了一种新颖的外部体积去除（OVR）方法，旨在解决实时动态MRI中因心脏外组织引起的混叠伪影问题。该方法结合复合时间图像和深度学习模型，显著提高了图像重建质量，并在加速率提高时保持了诊断质量。

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。

本研究提出了一种新的深度学习框架用于检测Bankart损伤，并引入了首个公开的肩部病症数据集ScopeMRI。研究结果表明，该模型在常规MRI上的诊断性能与放射科医生相当，展示了深度学习在非侵入性影像诊断中的潜力。

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。