通过使用神经网络实现软骨骨分割和基于骨骼图的非刚性配准方法，能够精确地将 CT 通路映射到个体患者上，提高内脏器官的可视性。

Jun, 2024

通过模拟管道生成大量的超声图像，以供导航相关的网络训练使用，从而实现快速准确的患者特异性超声图像生成并展示该方法在网络导航相关任务中的可用性。

Feb, 2024

通过基于骨骼图的非刚性配准方法，利用皮下骨表面特征代替皮肤表面实现自动化超声波（US）扫描，为解决常规 US 检查中的人为误差提供了可能，验证结果表明其能有效适应不同患者间的差异。

May, 2023

本文设计了第一个病人特定的框架，在无需跟踪的状况下，在 iUS 中进行脑肿瘤分割，通过使用合成的超声数据在术前 MR 数据中模拟虚拟 iUS 扫描，并训练了一个病人特定的实时网络来消除超声成像的模糊性和适应神经外科医生的手术目标，实验证明了该方法的有效性，适应了外科医生对手术目标的定义，并超过了非病人特定的模型、神经外科专家和高端跟踪系统。

May, 2024

提出了一种新颖的脉动辅助分割神经网络 (PAS-NN)，通过明确利用心脏诱导的动作，运用运动放大技术来放大兴趣频带内的微小运动从而提取连续超声图像中的脉动信号，提高血管分割的准确性和稳定性，并通过创新性地整合脉动作为注意力指导，有效改善超声图像中小血管的分割性能。

Jul, 2023

本文介绍了一种半自动半自动前列腺磁共振图像分割方法的初步结果，旨在将其纳入前列腺放射性治疗的导航系统中。该方法基于由 18 个磁共振检查组成的人群计算的解剖图谱的配准，并采用一种混合配准框架，将基于强度的配准与强大的点匹配算法相结合，用于解剖图谱的构建和配准。在与专家分割相比的验证中，该方法的平均误差为 3.39 毫米，标准差为 1.95 毫米。我们认为，这种分割工具可能对临床医生的常规定量图像分析非常有帮助。

Jun, 2008

本文提出了一种利用 Doppler 效应的血管再识别模块的 DopUS-Net，用于血管病变的自动分割和血管筛选程序的实时监测，实验结果表明，这种方法可以显著提高分割结果的准确性和鲁棒性。

May, 2023

提出了一种智能机器人超声检查师，能够从专家的经验中自主学习，理解超声检查的语言，通过估计互信息和开发高斯分布滤波器来提高模型的泛化能力，并在血管和动物器官模型中进行了演示实验，证明了该方法的稳健性。

Jul, 2023

利用基于图的非刚性配准将计划的路径从通用图谱准确地映射到个体患者，尤其对于具有高声阻抗骨结构的胸部应用。结果表明，该方法能够在有限的肋间空格内有效地将 CT 到当前设置的轨迹映射为超声成像视图。

Jul, 2023

通过在训练过程中利用解剖和协议作为特权信息，将其作为辅助任务，以改进现有的基于深度神经网络的方法，实现无需其他外部追踪设备的三维自由手持超声重建。实验结果表明解剖和协议变异都是 DNN-based US reconstruction 的关键因素，并且通过所提出的算法可以显著提高帧预测准确性、体积重建重合度、累积跟踪错误和最终漂移。

Aug, 2023