提出了一种利用深度学习和多种融合策略自动进行三维多模式（B 模式和功率多普勒）超声分割的人类胎盘分割方法，发现多模式信息以 B 模式和功率多普勒扫描的形式优于任何单一模式，且数据级别的融合提供了最佳结果，均值 Dice 相似系数（DSC）为 0.849。

Jan, 2024

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

本论文提出了一种使用深度学习训练的多标记胎儿脑部图像分割模型，利用自动选图和手动修复结合的多重配准策略来处理不可比较的胎儿脑部结构，采用标签平滑方法进行多噪声训练，使输出更准确，经测试后得到了更好的分割结果，有望成为胎儿 MRI 分析中提高准确度和可重复性的重要工具。

Mar, 2022

本文利用 GAN 技术生成 256x256 胎儿超声横颞脑平面图像，结果表明 GAN 技术可以生成逼真的高分辨率超声图像，为将来合成其他胎儿脑平面、解剖结构和设备的工作奠定了基础。

Apr, 2023

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

本文提出了一种基于超声图像合成类似磁共振图像的方法，该方法自监督、端到端可训练，并利用交叉模式关注和对抗性学习等技术，成功生成了逼真的胎儿 MRI 图像。

Aug, 2020

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

本研究提出了一种名为 FetusMapV2 的新型三维胎儿姿势估计框架，通过探索互补网络结构、限制 GPU 内存等方法来克服三维胎儿姿势估计的挑战，设计了一种新的损失函数来解决对称和相似解剖结构造成的混淆问题，并提出基于形状先验的自监督学习以在线优化姿势。在大规模胎儿超声数据集上进行的大量实验证明，我们的方法优于其他竞争对手。

Oct, 2023

本论文旨在研发一种基于 2D U-net 和 autocontext 的深度卷积神经网络，用于实时分割胎儿 MRI 切片中的胎儿大脑，并将其与其他两种方法进行比较，在正常和具有挑战性的测试集中取得了优异的性能表现。

Oct, 2017

基于多阶段深度学习及多图谱分割，提出了一种无监督分割方法实现胎儿脑磁共振图像的精确分割，无需标记数据进行训练，达到了与 nnU-Net 相似性能和推断时间。

Jul, 2023