提出了一种新的训练策略，通过学习有关器官形状和位置的先验知识，将其应用于CNN中，以改善图像分析方法的性能，改进了CNN的分割效果，成功将其应用于心脏数据集并探讨了其在分类心脏病理学方面的应用。
May, 2017
应用深度学习技术对心脏听诊进行自动化分类，结合卷积神经网络和时间频率热图表示，通过改进的损失函数，在2016年PhysioNet Computing in Cardiology 挑战中取得了最佳结果。
Jul, 2017
该研究提出了一个参数化犬模型DynaDog+T，用于生成合成犬类图像和数据，并将其用于基于计算机视觉的二进制分割任务，以解决数据缺乏的问题。
Jul, 2021
报道了一种使用卷积网络来量化心脏双心室功能（体积，质量和射血分数）的新方法，并且在临床环境中验证了该方法的稳健性和计算时间。该方法使用解剖学信息来减少分类错误，并且在约5秒钟的时间内以与专家相当的准确度量化双心室功能和体积。
Jun, 2022
使用深度卷积神经网络(CNN)方法对犬的心电图序列进行分类研究，以诊断出是否出现心脏异常状况，以提高兽医的诊断性能，从而实现完善的兽医护理。
May, 2023
基于自监督对比学习的深度学习模型通过学习心脏核磁共振扫描伴随的放射学报告的原始文本中的视觉概念，展示了对人类心血管疾病和健康的全面评估；我们的模型在美国的四个大型学术临床机构的数据上训练和评估，并在英国BioBank和其他两个公开可用的外部数据集上展示了卓越的性能，实现了包括左心室射血分数回归和35种不同病症（如心脏淀粉样变及肥厚型心肌病）的诊断等一系列任务，显示出对人类心血管疾病的复杂性的理解能力，并在仅需要一部分通常用于这种任务的训练数据的情况下，实现了令人印象深刻的临床级诊断准确率。
Dec, 2023
使用图卷积技术学习三维心脏网格，通过生成合成超声图像并进行实验验证，展示了图对于改善心脏视图识别的潜力，并最终提高心脏诊断效率。
Feb, 2024
该研究使用深度原型对齐网络（DPANet）来准确分割犬胸部放射照片上的心脏和左房扩大，实验结果表明所提出的DPANet在各种情境下均获得最高性能，不仅在性能上有所提升，还在训练速度上有所改善，该模型为通过少样本分割，在兽医应用中开拓了新的机遇，为兽医医学的发展树立了新的基准，并展示了其在兽医AI研究中的巨大潜力。
Mar, 2024
研究使用一系列神经网络，通过狗鼻孔图像自动推断阻塞性鼻气道症候群（BOAS）的程度，结果表明针对鼻孔图像的多类别分类问题达到了53.77%的最高中位数f-score，并且针对严重狭窄的二类别分类问题达到了72.08%的最高中位数f-score。
本研究针对心肌梗死（MI）检测的缺口，开发了一种基于卷积神经网络（CNN）的模型。该模型利用InceptionV3架构并通过迁移学习优化，能够以93.27%的准确率识别心肌梗死等心血管疾病，显著支持临床医生在心脏病早期检测和预防中的工作。
Aug, 2024