开发了一个全自动的语义胎盘分割模型，通过集成学习将 U-Net 和 SegNeXt 架构融合在一起。该模型在胎盘分割任务中比传统的 U-Net 表现更好，解决了耗时的人工分割问题，具有广泛的胎盘成像分析应用潜力。

Dec, 2023

提出了一种利用深度学习和多种融合策略自动进行三维多模式（B 模式和功率多普勒）超声分割的人类胎盘分割方法，发现多模式信息以 B 模式和功率多普勒扫描的形式优于任何单一模式，且数据级别的融合提供了最佳结果，均值 Dice 相似系数（DSC）为 0.849。

Jan, 2024

本研究提出了基于卷积神经网络的新方法，可以自动检测 13 个胎儿标准扫描视图并通过边界框提供胎儿结构的定位，且只需通过图像级标签进行弱监督学习，提供实时定位，检测和检索的精度表现都很高。

Dec, 2016

通过无监督方法将超声图像自动聚类，减少或消除了人工标记的需求，该方法在超过 8.2k 未知图像上实现了超过 92% 的聚类纯度，对胎儿超声成像领域具有重要意义，并为更先进的自动标记解决方案铺平了道路。

Oct, 2023

本文提出了一个简单、高效的基于点云的全景分割框架 (PUPS), 使用一组点级分类器以端到端的方式直接预测语义和实例分组。通过将二分图标准添加到训练管道中，并使用 Transformer 解码器进行迭代优化，PUPS 实现了更好的分组结果，并解决了类别不平衡问题，并取得了 SemanticKITTI 全景分割任务的第一名和 nuScenes 上的最新成果。

Feb, 2023

提出了一种名为 UltraDet 的模型，通过集成负上下文（NTC）以抑制假阳性，结合反向光流引导提取前一帧的上下文信息，在超声扫描过程中能够帮助医生更准确地诊断癌症。

May, 2023

本文介绍了一种新型流水线，旨在将超声（US）平面姿态估计更接近临床应用，以实现对胎儿大脑中标准平面（SPs）的更有效导航。我们提出了一种半监督分割模型，利用标记的 SPs 和未标记的 3D US 体积切片，实现对多样化的胎儿大脑图像的可靠分割。此外，该模型还采用分类机制来精确定位胎儿大脑。我们的模型不仅能过滤掉缺少大脑的帧，还能为包含大脑的帧生成掩模，增强了平面姿态回归在临床环境中的相关性。我们侧重于从二维超声（US）视频分析进行胎儿大脑导航，并将该模型与 US 平面姿态回归网络相结合，以提供对 SPs 和非 SPs 平面的无传感器邻近检测。我们强调邻近检测对于指导超声波医生至 SPs 的重要性，相比传统方法，这种方法的优势在于允许在扫描过程中进行更早和更精确的调整。通过对由不同专业水平的超声波医生获得的真实胎儿扫描视频进行验证，我们证明了我们方法的实用可行性。我们的研究结果展示了我们方法在补充现有胎儿超声技术和推进产前诊断实践方面的潜力。

Apr, 2024

在胎儿超声中，我们引入了语义图像质量的概念，设计了一个稳健的粗到精的模型，根据语义图像质量对图像进行排名，并赋予我们预测的排名一定的不确定性估计。通过基于归并排序算法的有效排序注释方案，我们对训练数据进行排名注释。最后，我们将我们的排名算法与许多最先进的排名算法进行比较，展示了在挑战性的胎儿超声质量评估任务中，我们方法在大多数排名相关度指标上的卓越性能。

Feb, 2024

本研究提出了一种名为 FetusMapV2 的新型三维胎儿姿势估计框架，通过探索互补网络结构、限制 GPU 内存等方法来克服三维胎儿姿势估计的挑战，设计了一种新的损失函数来解决对称和相似解剖结构造成的混淆问题，并提出基于形状先验的自监督学习以在线优化姿势。在大规模胎儿超声数据集上进行的大量实验证明，我们的方法优于其他竞争对手。

Oct, 2023

该研究提出了一种有效的半监督学习方法，通过一致性正则化损失函数，改善了胎儿 EPI MRI 时间序列中胎盘分割的准确性，进而提高了预测的时间一致性，从而对胎盘生物标志物的精确计算有所帮助。

Oct, 2023