本研究提出了一种基于交叉领域特征差异优化的领域自适应深度网络解决心电图分类的方法，在交叉域和交叉通道的模式下，有效地检测室性早搏、窦性早搏和融合早搏，与非领域自适应基准方法相比，整体准确率平均提高了 11.78％。

Jun, 2023

通过扩展现有的视频扩散模型，基于语义解剖信息生成超声心动图视频的研究，在改进合成过程中整合空间调整归一化，以提高生成视频的逼真性和连贯性，并在 CAMUS 数据集上展示了优于标准扩散技术的性能。

Oct, 2023

本研究提出了基于变分自编码器的无监督域自适应方法，通过在两个领域中应用相同参数的变分分布实现域之间的映射，结合分割模块以进行心脏分割，并在两个跨模态和跨序列的心脏分割任务中证明了该方法的有效性和优势。

Jun, 2021

本文提出了一种新的数据有效的多域医学图像分割的深度无监督领域自适应方法，该方法结合了基于变分自编码器的特征先验匹配和域对抗训练，以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估，在仅使用一个未标记的 3D CT 扫描的情况下，该方法在相同的设定下胜过现有的技术。最后，我们对先验匹配和域对抗训练进行了消融研究，以阐明所提出方法的理论基础。

Jul, 2019

本文提出了一种视图无关的超声心动图分析方法，通过 prompt 匹配和预训练的视觉模型学习不同视图的专用提示，并利用预训练的医学语言模型将文本信息与像素数据对齐，以实现精准的分割，大量实验证明该方法在三个标准视图上明显优于最新的通用方法，并实现与同视图训练和测试的分割模型相当甚至更好的性能。

Apr, 2024

利用对抗去噪扩散模型和生成对抗网络，训练出具有高泛化能力的生成模型，实现医学图像域转换，生成适用于临床研究目的的超声心动图像。

Mar, 2024

该论文提出了一种新的类别锚点引导的无监督域自适应（UDA）模型，用于语义分割，并通过锚定和伪标签，显式强制执行类别感知的特征对齐来学习共享的判别特征和分类器，其一系列损失函数和训练机制均展现出卓越的性能。

Oct, 2019

本论文介绍了一个新的用于心脏超声检测的数据集 CAMUS，并评估了使用深度卷积神经网络方法自动分割心脏结构以及估计临床指标的效果，结果表明此方法优于传统非深度学习方法，但仍需改进，可用于 2D 心脏超声图像准确且自动化的分析。

Aug, 2019

心脏结构分割的多视角方法可优化超声心动图分析的准确性和稳健性，该研究提出了一种全局 - 局部融合（GL-Fusion）网络，通过多视角信息的全局和局部利用来改善分割的准确性，并且在多视角超声心动图数据集上取得了优异的结果。

Sep, 2023

采用强化学习模型 RL4Seg，克服医学图像领域域适应性问题，实现准确率 99%，生成具有解剖学可行性的分割图像。

Jun, 2024