本文提出了一种结合传统概率性图谱分割和深度学习的策略，可以不需要手动标注映像即可为新的 MRI 扫描训练分割模型，在多种 MRI 对比度下，已经在成千上万个 MRI 扫描中通过实验证明了良好的准确性，并在 GPU 上测试只需要约 15 秒。

Apr, 2019

本研究提出了一种利用非线性扩散张量配准和深度学习模型以及生物标志物密度图等多维数据来估计磁共振扩散成像技术（dMRI）生物标记的框架；其中，将深度学习和生物标志的统计映射相结合，被证明取得了比传统方法更高的精度。

May, 2022

本文提出了一种名称为 EyeLearn 的无监督学习框架，该框架采用聚类引导的对比学习策略，可以从眼科图像中学习最优特征表示，以进行视野预测和青光眼检测。

Sep, 2022

利用深度学习技术，通过自动多模式图像配准方法，将快照乳房标本图像与对应的组织学图像进行对齐，以提高光学技术验证的准确性。

Nov, 2023

这项研究介绍了一种基于深度学习的三维超分辨率 (fMRI) 方法，通过采用一个分辨率无关的图像增强框架，使我们的方法能适应不同的体素尺寸而无需重新训练。我们应用了这一创新技术来定位早期视觉区域中细粒度的运动选择性区域，并且证明这种方法潜在地能增强 fMRI 的空间分辨率，并大幅降低采集时间。

Nov, 2023

本文介绍了利用生物学方法实现高效自我中心感知的持续性工作，将哺乳动物视网膜的空间变体成像结构与深度学习方法相结合，在控制眼动眼镜的凝视位置的情况下，我们演示了将图像预处理为因子 3 的 DCNN 输入，减少必需训练的时期并在 26,000 多个物体的图像库上训练和验证系统时可获得超过 98% 的分类准确率。

Sep, 2018

本文提出了一种名为 MindEye 的新型 fMRI 到图像转换方法，通过对比学习和扩散优先使用两个并行子模块来实现图像的检索和重建，将 fMRI 脑活动映射到高维多模态潜在空间，使用生成模型从该潜在空间接受嵌入以进行图片重建和精确检索。通过实验证明 MindEye 在重建和检索任务方面具有最先进的性能。

May, 2023

提出了一种空间和尺度不确定性感知网络（SSU-Net），它可以应对生理结构中的语义歧义区域，从而提高了分割的准确性和鲁棒性。实验结果表明，与同类基于不确定性的方法相比，SSU-Net 具有更高的分割性能。

May, 2023

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

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