面向医学影像与生物显微成像数据，研究高效、轻量化的深度分割与识别模型。代表性工作包括：提出基于稠密连接结构的 Dense-UNet 多光子活体细胞图像分割模型；提出融合多通道注意力与混合 CNN-Transformer 架构的 TransUMobileNet 医学图像分割模型。相关方法在保证分割精度的同时兼顾轻量化，可迁移至移动端、边缘端的医学影像辅助诊断、工业视觉检测与交通场景感知等任务。

核心研究内容

1. 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；