Yuxuan Wang

该工作提出 Vision-Action Adapter（VA-Adapter），将其插入超声基础模型（EchoCLIP、USFM、BiomedCLIP）冻结的图像编码器深层，通过编码历史“图像-动作”序列在线注入个体三维心脏结构理解能力，在178名成人、356条专家扫描轨迹、131万图像-动作对的数据集上，以约2.61M–3.97M可训练参数取得优于强探头导航基线的平移与旋转平均绝对误差。

该工作提出 Vision-Action Adapter（VA-Adapter），将其插入超声基础模型（EchoCLIP、USFM、BiomedCLIP）冻结的图像编码器深层，通过编码历史“图像-动作”序列在线注入个体三维心脏结构理解能力，在178名成人、356条专家扫描轨迹、131万图像-动作对的数据集上，以约2.61M–3.97M可训练参数取得优于强探头导航基线的平移与旋转平均绝对误差。