通过在线特征解耦框架OnUVS，我们成功合成了具有高保真度的超声视频，通过将解剖学信息引入关键点学习、实现内容和纹理特征解耦、采用多特征鉴别器提取全面的视觉提示以及限制关键点的运动轨迹，从而提升了合成视频的流畅性。

Aug, 2023

通过引入CCycleGAN算法，本研究成功地改善了超声图像的空间分辨率和峰值信噪比，保留了结构一致性和背散射模式，并获得了更高质量的心壁运动估计。

Sep, 2023

利用新型采样框架和先进的扩散模型，我们提出了一种从射频数据中重建图像的方法，以加速高质量图像的生成过程。通过实验评估，我们的方法在单平面波条件下胜过了具有75个平面波空间相干合成的传统延迟和求和(DAS)技术。

Dec, 2023

通过采用先进的扩散模型，我们在超声图像重建方面展示出了有效性，从而实现了采样步骤的大幅削减，所得结果与传统的扩散模型相比具有可比性。

Dec, 2023

使用机器学习构建高质量B模式图像的扫描序列，通过改进传输编码模型和考虑波束成形器在模型中的位置，突破了传统编码方案的限制并获得了优化后的成像结果。

Mar, 2024

通过结合超声线性直接模型和基于生成的去噪扩散模型的学习先验，提出了一种混合重建方法，可以实现高质量图像重建并有效地估计多普勒变化的声回声强度。

Mar, 2024

本研究针对传统三维超声成像方法在分辨率、存储效率和上下文连接性方面的局限，提出了一种新的UlRe-NeRF模型。该模型通过结合隐式神经网络和显式超声体积渲染，利用反射方向参数化和谐波编码，显著提高了高保真超声图像重建的真实感和准确性，特别是在处理复杂介质结构方面。

Aug, 2024

本研究解决了高帧率超声成像中高噪声的问题，影响了其广泛应用。提出了一种基于去噪扩散概率模型（DDPM）的方法，通过将低角度和平面波的高角度合成视为噪声，显著提升了图像质量。研究结果表明，该方法在模拟数据、幻影和活体图像中均表现出优越的去噪效果，具有重要的临床应用潜力。

Aug, 2024

本研究针对现有超声影像数据中的伪影问题，提出了一种新的方法NeRF-US，通过结合3D几何引导和超声特定渲染，显著改善了3D重建和新视角合成的结果。实验结果表明，该方法在“野外超声”数据集上实现了准确且无伪影的临床可行重建，填补了当前技术的空白。

Aug, 2024

本研究针对超声成像中普遍存在的噪声与伪影问题，提出了一种新颖的方法，将自适应波束形成与去噪扩散模型相结合，以提升图像质量。实验结果表明，该方法在单平面波采集的图像重建上表现出了显著的优势，可能在医学成像领域产生重要影响。

Sep, 2024