IVIM-morph 是一种自监督深度神经网络模型，用于运动校正的扩散加权磁共振成像数据的定量分析，其将 IVIM 模型参数估计和运动同时进行，展示了在胎儿肺部定量分析中改善胎龄相关性，同时为非侵入性胎儿肺成熟性评估和动态扩散加权成像分析提供了潜在应用。

Jan, 2024

使用 qDWI-morph，我们成功地开发了一种无监督深度神经网络体系结构来实现运动补偿的定量 DWI 分析，从而提供了一种可以用于无创胎肺成熟度评估的临床可行的生物标志物。

Aug, 2022

本研究提出了一种基于半监督的深度学习方法，通过均值教师模型及 ROI 一致性损失检测胎儿脑体积扫描中的伪迹，结果表明相比于有监督学习，该方法可以提高模型准确度约 6％，并且优于其他半监督学习方法。此外，该方法已在 MR 扫描仪上进行实现和评估，并证明了胎儿 MR 扫描过程中在线图像质量评估和图像重新采集的可行性。

Jun, 2020

该研究提出了一种使用条件扩散模型生成可控姿态的三维合成胎儿磁共振成像方法，并采用辅助姿态级损失来增强模型性能。实验证明，该方法生成的高质量合成胎儿磁共振成像能够准确识别胎儿姿态，并与真实胎儿磁共振成像比较具有竞争优势。此外，通过集成合成胎儿磁共振成像，可以提高胎儿姿态估计模型的性能，尤其适用于数据有限的情况下，相对于真实扫描数据，能够提高 15.4％的 PCK 值和减少 50.2％的平均误差。该方法有望更有效地解决胎儿运动问题，从而提高实时追踪模型的性能。

Mar, 2024

提出了一种基于 Radiation Diffusion Generation Model (RDGM) 的新型胎儿脑 MRI 高质量体重建方法，该方法利用 Neural Radiation Field (NeRF) 和超分辨率生成的扩散模型，使用预训练的 transformer 模型进行切片配准，进一步增强了体积的全局一致性和区分能力，实验结果表明该方法在真实世界胎儿脑 MRI 堆栈上表现出最先进的性能。

Oct, 2023

该研究利用基于深度学习的方法提高扩散张量心脏磁共振（DT-CMR）图像质量，实现体积超分辨率，并证明其在心脏超分辨率图像重建中的推广性。

Oct, 2023

通过借助物理导向的神经网络（PINNs）和基于物理引导的 nnU-Net 监督方法，以及对模拟和实际彩色多普勒图像进行的严格评估，本研究提出了传统 iVFM 优化方案的新替代方法，显示出与原始 iVFM 算法相当的重建性能。同时，研究指出 nnU-Net 方法在稀疏和截断多普勒数据方面表现出卓越的鲁棒性，同时保持与明确边界条件的独立性，进而突显了这些方法在重建室间心室血流方面的有效性，并暗示了基于血流的流体动力学方程导出心血管疾病生物标志物的潜在应用。

Mar, 2024

使用深度卷积神经网络（CNN）自动测量胎儿头围、双顶径、腹围和股骨长度，以及使用胎儿超声视频估计胎龄和胎儿重量，利用名为 FUVAI 的新型多任务基于 CNN 的时空胎儿 US 特征提取和标准平面检测算法。我们发现，自动测量胎儿生物测量学功能的 FUVAI 和由有经验的超声医生进行的测量相比是可比较的。再者，分析表明，当将任何个别医疗专家与我们的模型进行比较时，这些差异在统计学上并不显着。

May, 2022

提出了一种基于长期一致性指导的扩散模型 (LoCI-DiffCom) 用于完成缺失的婴儿脑图像数据，该模型在高度稀疏的序列中工作，仅依赖于两个时间点的数据，并表现出良好的性能，有助于更好地描绘早期发育轨迹。

May, 2024

该文提出了一种基于自监督学习的单体积超分辨率框架（SAIR）用于胎儿脑 MRI 的图像重建，实验证明 SAIR 与多体积超分辨率重建方法相当，并且可以纳入当前的重建流程。

Nov, 2022