本文提出了一种基于多域正则化深度学习的超声图像解剖结构检测和分割方法，通过跨领域迁移学习和迭代优化等手段提高了特征表达和分类精度，与人类表现相当且优于其他方法。

Jul, 2016

通过潜在任务表示和机器人技能适应性，该研究提出了自主超声的解决方案，以便实现机器人自动完成超声检查的挑战。该方法通过融合多模式超声技能并将其封装为低维概率模型来实现，实验结果显示其在不同人群中可以生成复杂的超声策略，并且相较于先前方法取得显著更好的定量结果。

Jul, 2023

利用 CT 标签地图生成合成图像，应用于腹部器官分割的 U-Net 网络训练，在 Dice 分数方面与在 MR 数据上训练的完全监督分割方法相比表现出类似的结果。

Mar, 2024

通过利用神经网络的 CycleGAN 方法，从医学超声图像数据中生成伪解剖图像，提高图像质量以更好地表现病变区域，其中生成伪解剖图像在病变分割中的对比度和区分度较高，可潜在地简化诊断流程并改善临床结果。

Feb, 2022

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

利用自我监督学习和对比学习的方法，在医学成像等标注稀缺的领域中学习表征已被证明是一种有效的方式。本研究通过探索一种新的思路 —— 使用多器官数据集来为特定器官相关目标任务预训练模型，旨在推进我们对对比学习框架的理解。具体而言，我们的目标任务是超声图像中的乳腺肿瘤分割。预训练数据集包括来自其他器官（如肺和心脏）的超声图像以及大量的自然图像。我们的结果表明，与监督基线方法相比，传统的对比学习预训练可以提高性能。此外，我们的预训练模型在只使用一半可用标记数据进行微调时也可以达到相当的性能。我们的发现还表明，预训练多器官数据可以提高下游任务的性能。

Feb, 2024

本研究旨在基于器官特异性形态先验学习的角度来解决全身 CT 扫描中的多器官分割问题，提出了两项互补任务 —— 距离图回归和轮廓图检测 —— 以明确编码每个器官的几何特性，并在公共数据集上评估所提出的解决方案，对比实验结果表明，互补任务学习的加入在 Dice 评分方面达到了显著改进.

Aug, 2019

通过引入一种名为 S-CycleGAN 的高级深度学习模型，我们在计算机断层扫描（CT）数据的基础上生成了高质量的合成超声图像，用于增强语义分割模型的训练数据集和机器人辅助超声扫描系统的开发，提高它们准确解析真实超声图像的能力。

Jun, 2024

本研究提出了一种使用预训练扩散模型进行 CT 图像的多器官分割任务的标签高效学习方法，该方法仅需要少量标记数据，在有限标记数据场景下取得了竞争性的分割性能。

Feb, 2024

本研究提出了一种基于简单的长宽比批注的自动结节分割方法，并通过扩展长宽比批注标签，采用两种类型的伪标签训练两个不对称分割网络，结合保守和激进标签采用一种平衡策略，同时引入了一种动态混合伪标签监督模块以解决过分割和欠分割问题。此外，为了进一步利用临床批注提供的空间先验知识，本研究还提出了一种新的损失函数，即临床解剖先验损失。在甲状腺和乳房的两个临床采集的超声数据集上的广泛实验表明，我们提出的方法的性能优于其他方法，甚至可以实现与使用真实批注的全监督方法相当甚至更好的性能。

Apr, 2024