通过使用神经网络训练深核（DK），该文献采用贝叶斯优化（BO）优化机器人探针的高维控制，从而提高超声图像质量的样本效率，同时使用深度卷积神经网络提供实时反馈，验证了该框架在三个尿道壁模型中获得了 50% 以上的样本效率增长，并证明了对特定训练数据集的独立性，表明对患者的适应性。

Oct, 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

本研究旨在开发一种超声定位系统，以通过卷积神经网络回归网络预测胎儿脑部任意定向的超声截面图像在参考标准框架下的六维姿态，同时分析评估该参考框架对标准平面获取的准确性，并探究注册质量和数据扩充等因素对训练和测试结果的影响，最终使本系统的平均翻译误差和旋转误差分别达到 3.53 毫米和 6.42 度。

Jan, 2023

该研究介绍了一种基于强化学习的自动化三维超声标准面定位方法，该方法通过在强化学习中重新构造动作空间并设计一个辅助任务学习策略来增强模型识别标准面的能力。最终提出了一种空间解剖奖励机制，能够同时利用空间和解剖信息来指导准确的学习轨迹，并在子宫和胎儿脑数据集上实验，表明该方法能够高效地完成四种 SP 的自动化定位，并具有高精度和良好的鲁棒性。

Jul, 2022

该论文介绍了一种针对地方社区门诊患者进行肝部随访扫描的自主机器人超声（US）系统，利用 3D US-CT 配准和深度学习分割网络，实现了精确成像和坐标映射，可自动定位随访目标，从而为医疗提供者、临床医生和随访患者显著减少时间和成本，缓解地方社区慢性病所带来的日益增加的医疗负担。

May, 2024

该研究提出了一种基于视觉的方法，允许自主的机器人超声波肢体扫描，使用 MRI 图像的基准分析血管结构生成扫描轨迹，并利用神经网络对连续的超声帧进行空间连续性的分析以实现精确的血管结构重建及测量。

Aug, 2022

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

我们提出了一种基于不确定性的深度学习模型，用于自动定位二维超声胎儿脑图像在三维脑中的平面位置。该方法通过学习显式预测不确定性，从而提高输入的权重，并在不同几何变换下改善性能。与现有方法相比，我们的方法在平面角度定位准确度上提高了 9%，在采样图像质量的归一化互相关上提高了 8%。此外，我们的方法在资源受限环境下具有更高的效率，参数量比集成方法少 5 倍，同时利用旋转不连续性和输出不确定性提高了对自由扫描噪声的鲁棒性。

May, 2024

本文介绍了一种新的应用神经操作学习的方法用于解决超声计算机断层扫描中的时飞行问题，通过学习 time-of-flight 数据和声速场之间复杂的非线性映射来实现对异质声速场的预测，从而实现对肿瘤识别中软组织分布的实时预测。

Apr, 2023

本文提出了一种基于自监督三维 CNN 的超声相位象差稳健成像方法，通过建模声速变化为随机变量，该方法在 extit {in vivo} 扫描中显著减少了象差伪影并提高了深部扫描的视觉质量。

Feb, 2022