医学图像是疾病筛查、诊断以及治疗引导和评估的重要工具。常规的影像诊断依赖于医生的水平和经验，存在着主观性强、重复性低以及定量分析不够等问题，迫切需要新的智能技术介入，帮助医生提升诊断的准确性和阅片效率，同时也能进一步拓展医学影像在临床诊疗中的应用。

医学图像处理有两个目的，（1）产生更适合医生观察和识别的图像从而辅助诊断，（2）希望计算机能够自动对医学图像进行自动识别和理解，提高诊断效率和准确率。以深度学习为代表的人工智能技术，为医学图像处理与自动分析提供了新的方向与解决方法。我们将针对临床医生的实际需求，面向多模态医疗影像(CT、MRI、超声等)分析问题，研究深度学习算法解决病灶区域的自动检测、分割和定性分析，辅助医生提升诊断效率和精度。同时，基于医学图像的特殊性，我们还将研究具有可解释性的深度学习方法，让诊断和决策都有据可依。具体研究方向包括：

1智能图形重建

基于深度学习的智能图像重建是目前医学成像领域的研究热点。总体而言，人工智能技术应用于图像重建，具有降低扫描成本、提高图像质量、加快成像速度等方面。我们重点研究：（1）基于深度学习的MRI图像重建，以提高MRI成像速度、降低迭代重建时间、优化参数等方面；（2）基于深度学习的低剂量CT成像方法，通过降低射线强度或者稀疏角度实现低剂量CT成像，从而降低患者的潜在风险。

2 智能图像分割  

图像分割是医学图像分析和解译的重要前提或环节。然而，由于人体器官多样性、病灶形状复杂性、图像噪声干扰等问题，自动精准的医学图像分割仍然是一个尚未解决的难题。深度学习具有自动从数据中学习深层次、鉴别性特征的能力，已在医学图像分割领域广泛应用，其性能较传统图像分割方法具有显著提升。我们将从监督模型开始，基于现有标记数据构建训练模型，结合GAN网络，构建弱监督或无监督图像分割模型。同时，重点关注器官解剖结构信息，研究融合解剖结构先验知识的深度分割模型。

3 智能医学图像辅助诊断

医学图像中的病灶区域检测通常是指在影像中定位和识别病变区域。临床病灶检测易受到阅片医生水平和经验等的影响，导致出现漏检或者误检。采用基于人工智能的计算机辅助检测 (Computer aided detection, CAD) 则具有一致性和可重复性好的优点，能帮助医生提升效率并提高病灶检测的准确性。但是，由于医学影像和疾病的多样性、复杂性，以及有限的具有准确标注的样本数量，大大增加了病灶检测任务的难度。我们将研究基于小样本的智能病灶检测模型、病灶自动分析方法、以及云端处理方法，从而实现医学图像的智能辅助诊断。

4 具有可解释性的医学图像深度学习模型

基于深度学习的医学图像处理模型在各种医疗诊断任务中表现出色，甚至在很多方面超越了人类专家。然而，模型的黑箱性质限制了其临床应用。

医疗诊断系统需要具有透明、可理解和可解释的特性，才能赢得医生、监管机构以及患者的信任。理想情况下，它应该能够向所有相关各方解释做出某一决定的完整逻辑。可解释性是安全、道德、公平和可信地使用人工智能的关键。我们将研究具有可解释性的人工智能医学图像处理模型，通过展示模型在做出决定时所考虑的信息，叩开“黑箱子”，从而展示最终结果的可信性，同时，向非深度学习用户(如大多数医疗专业人员)展示决策中使用的特定特性。