多模态影像解析、轻量化部署与嵌入式智能诊断
本方向聚焦人工智能与医学影像的深度融合，以多模态医学图像分割算法为核心，突破传统医疗影像分析的精度与效率瓶颈，研发从算法创新到硬件加速的全栈式解决方案。研究内容深度融合医学影像处理、深度学习模型优化与嵌入式系统开发，为电子信息工程学生提供“算法设计-硬件适配-临床验证”的跨学科创新平台，助力智能辅助诊断系统落地。
核心研究内容
多模态医学图像分割算法创新
跨模态特征融合技术：针对CT、MRI、超声等多源医学影像，设计基于Transformer与U-Net++的异构图注意力网络，解决器官边界模糊、病灶微小区域的精准分割难题（如肝脏肿瘤亚毫米级定位）。
弱监督与少样本学习：开发基于对比学习与生成对抗网络（GAN）的半监督分割框架，利用有限标注数据实现高精度分割，缓解临床标注成本高的问题。
动态自适应分割：结合时序医学影像（如心脏超声视频），构建CNN与LSTM融合的时空联合分割模型，实现运动器官的连续追踪与分析。
培养特色与优势
高价值成果出口：与省立、协和、附一团队合作，为论文发表打好基础。
基于未来
让人工智能突破医学影像的“视觉极限”，用算法点亮生命微光；
挑战“模型轻量化+硬件加速”的硬核技术，成为医疗AI领域的跨人才；
在手术室与实验室之间架起桥梁，让科研成果真正走进临床一线；