在超聲彈性成像中，準確重建組織彈性模量分布是一項重要挑戰。現有的基于深度學習的全監督重建方法在訓練中只使用了添加噪聲的計算機仿真位移數據，不能完全模擬在體超聲數據的復雜性和多樣性。因此，本研究在訓練中引入對在體超聲射頻信號追蹤得到的位移數據（即真實位移數據），對模型進行半監督訓練，旨在提高網絡的預測準確度。實驗結果顯示，在仿體實驗中，加入了真實位移數據的半監督模型的平均絕對誤差和平均相對誤差均在3%左右，而全監督模型的相應數據在5%左右。在處理真實位移數據時，半監督模型預測錯誤區域明顯少于全監督模型。本文研究結果證實了所提方法的有效性和實用性，為在體超聲數據在彈性模量分布重建的深度學習方法中的使用提供了新思路。
近年來，由于超快速超聲成像技術的出現，超聲對低速、微弱血流檢測的靈敏度得到較大提升，衍生出功能超聲成像（fUSI）。fUSI是一種嶄新的神經功能成像的方法，利用神經血管耦合可對中樞神經系統（CNS）的功能活動進行高時空分辨率、高靈敏度、動態、無創或微創的檢測。其易用性和便攜性高，填補了功能磁共振成像（fMRI）和光學成像之間的空白，并可與電生理記錄、光遺傳學兼容。本文對fUSI技術發展及其在神經成像領域應用研究進行了綜述，截至目前，fUSI已用于小鼠、非人靈長類等多種動物的腦功能成像，以及臨床術中成像和新生兒的床旁腦功能成像，在神經科學研究中具有較大應用潛力，可望成為神經科學家、病理學家與藥理學家的重要工具。