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

提出了一种用于超声图像质量评估的无监督学习自编码器网络 US2QNet，在预处理、聚类和后处理三个模块的共同作用下，高效提取、聚类和可视化超声图像的质量特征表示，经过验证，该框架可以高效准确地评估尿路超声图像的质量。

Jul, 2023

本论文研究了怀孕期间母婴保健的重要性，探讨了人工智能辅助超声波技术诊断胎儿发育状况的可行性，特别是针对在低资源环境下不熟练的超声设备操作人员的辅助作用，模型可以用于预测孕周和胎儿位置，提高了胎儿保健水平。

Mar, 2022

本论文提出了一种适用于胎儿脑 MRI 的机器学习框架 FetMRQC，旨在自动评估图像质量，提取多种质量指标用于预测专家评分，并且相较于现有的质量评估指标更具一般化性、可解释性和数据效率，同时释出了一种新型手动质量评估工具。

Apr, 2023

本研究提出一种无需人类标记学习医学影像视频有意义且可迁移表示的自监督学习方法，利用无标记数据的解剖结构实现身体结构感知任务训练，并在胎儿超声视频上进行实验以表明该方法有效。

Feb, 2020

使用基于扩散的对照解释人工智能技术，从低质量的非标准图像生成逼真的高质量的标准图像，改善产科超声图像质量，进而提供可靠的临床诊断和监测手段。

Mar, 2024

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

本文提出了一种用于医学图像处理的自监督学习方法，该方法可以从多通道超声视频和相应的言语音频数据中学习有意义的图像特征，评价结果表明该方法可以用于标准平面检测和视线预测等向下流任务。

Aug, 2020

本文提出了一个用于机器人超声引导手术的技能转移学习的简单框架，该框架包括合适的取样技术、计算效率高的神经网络模型，实现了实时应用的技能转移学习。研究结果表明，经验丰富的临床医生比非临床医生在超声引导手术中具有更快和更顺畅的动作；为了实现实时应用，未来的工作需要使用剪枝和量化神经网络模型。

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