为帮助麻醉专家在患者体内使用针头进入针路的初始尝试时，自动找到被骨骼堵塞的硬膜外深度，并避免刺破患者背部周围区域，此论文提出了一种基于形态学骨骼增强与检测的算法，接着使用 Ramer-Douglas-Peucker 算法和 Hough 变换。该算法在合成和真实的超声图像上进行了测试，并与基于模板匹配的黄韧带（LF）检测方法进行了比较。结果表明，该方法能更快地检测到硬膜外深度对应的骨骼的对角线形状，提供麻醉专家在硬膜外穿刺时实时信息。然而，使用超声图像的方法仍然存在一定的误差，不能完全取代基于组织压力的方法。虽然本研究中的训练数据量相对较少，但在超声扫描中实现了腰椎骨骼和硬膜外深度的分割速度显著提高，准确性也较基于 LF 检测方法有所改善。

Dec, 2023

通过使用 US-4 数据集进行直接预训练，提出了一种名为 USCL 的 US 半监督对比学习方法，以学习来自 US-4 的功能强大的特征，并在多项下游任务中取得超越 ImageNet 预训练和其他 SOTA 预训练方法的结果。

Nov, 2020

通过开发和评估一种一站式自动化诊断系统（OSA-CTSD），本研究旨在缓解对检查员专业知识的依赖问题，通过实时中位神经勾画、准确生物测量和可解释的诊断集成框架，实现对腕管综合征（CTS）的一站式自动化诊断，展示了良好的分割和测量性能，并在读者研究中表现出与经验丰富的分类表现相媲美的性能，同时在分类指标方面优于经验不足的放射科医师，具有实时、自动化和临床可解释性等优点，既可以减少对检查员专业知识的依赖，也有助于促进 CTS 诊断过程的未来标准化，使得患者和放射科医师受益。

Feb, 2024

本研究旨在设计基于 3D 神经网络、融合时空特征的 SlowFast 网络以及增强噪声鲁棒性的 SwAV 方法的计算机辅助诊断系统，以此区分良性和恶性肺部病变，协助医生进行径向探针支气管内超声检查视频的实时分析，且无需进行高质量图像选择，并在图像噪声存在的情况下实现高准确率分类诊断。

May, 2023

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

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

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

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

提出了一种基于深度学习的超分辨率超声图像和视频增强方法，通过训练模型和大量医学图像数据进行定制化的超分辨率处理，实现了对不同解剖区域的低分辨率超声图像和视频的有效提高，并且兼顾了训练网络的运算速度和硬件资源消耗。

Apr, 2023

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