自主超声导航的心脏超声模拟
通过模拟介质的计算，该论文提出一种新的方法，利用 CT 扫描的数据生成物理模拟的超声图像，通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果，并在其他器官上进行了优化图像表示的定性结果评估。
Jul, 2023
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
本研究提出了一种基于强化学习的超声探头导航框架，其中使用 UNet 从 US 图像提供二进制掩模，多模态状态表示结构用于准确特征化实际状态，并基于最小边界矩形的特征提取方法建立了新型的标准视图识别方法，结果表明该方法可以有效地、准确地引导探头朝向血管的纵向视图。
May, 2022
我们介绍了一种自我监督深度学习架构，用于在纵向超声图像中分割导管，并消除对标记数据的需求。该模型在合成超声数据和硅主动脉模型图像上进行验证，展示了其未来在临床数据中应用的潜力。
Mar, 2024
通过利用神经网络的 CycleGAN 方法，从医学超声图像数据中生成伪解剖图像，提高图像质量以更好地表现病变区域，其中生成伪解剖图像在病变分割中的对比度和区分度较高，可潜在地简化诊断流程并改善临床结果。
Feb, 2022
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
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
通过结合详细的心脏解剖分割模型和真实数据集，利用生成对抗网络（GAN）生成 3D 合成数据集来解决医学成像领域中的数据收集和标注困难，从而应对 3D 心脏超声图像数据稀缺问题，并展示了该方法在分割算法训练中的潜在应用价值。
Mar, 2024
本文提出了一种通过心脏超声语义标签图引导的去噪扩散概率模型（DDPMs）生成合成图像的新型流程，展示了这些合成图像可以作为医学影像分析任务的深度学习模型训练中真实数据的可行替代品，包括图像分割，并在未见实际数据的数据集上进行了评估，与现有技术相比，Dice 分数分别增加了 9.09％，3.7％和 15.0％，该流程具有应用于各种医学成像模态的各种其他任务的潜力。
May, 2023