核心研究方向 & 博士项目分布：
此类博士项目主要设在 生物医学工程系，其次是计算机科学系、电气与计算机工程系、数据科学系，部分也设在医学院下属的放射学系或生物医学信息学系。
一、 核心研究方向细分（博士课题聚焦点）：
-
深度学习驱动的疾病自动诊断与筛查：
- 目标： 构建端到端模型，自动识别超声图像中的病变（如甲状腺结节、乳腺肿块、肝脏病变、心血管异常、胎儿畸形），进行良恶性分类、风险分层。
- 关键技术： CNN, Vision Transformers, 目标检测（YOLO, Faster R-CNN）， 分类模型（ResNet, DenseNet, EfficientNet）， 多任务学习。
- 挑战： 超声图像噪声大、伪影多（斑点噪声、阴影、混响）、对比度低、操作者依赖性强；数据标注成本高、稀缺；模型的可解释性与临床可接受度。
-
自动化超声图像分割与量化分析：
- 目标： 精确分割器官结构（如心脏各腔室、瓣膜、血管壁）、病变区域（肿瘤）、胎儿标准切面与解剖结构。
- 关键技术： U-Net 及变体 (如 Attention U-Net, nnU-Net), DeepLab, Mask R-CNN, 基于Transformer的分割模型（如 Swin UNETR）。
- 应用： 自动测量心脏射血分数、胎儿生长参数、肿瘤体积变化监测、介入手术导航。
-
超声图像增强与质量提升：
- 目标： 克服超声固有局限，提升图像信噪比、对比度、分辨率，减少伪影。
- 关键技术： 图像去噪（基于CNN, GAN）， 超分辨率重建（SRCNN, GAN-based）， 伪影抑制，图像域转换（如仿真B-mode）。
- 意义： 提升下游AI任务（诊断、分割）的鲁棒性和准确性，改善临床医生判读体验。
-
多模态/序列超声信息融合分析：
- 目标： 结合B-mode, 彩色/频谱多普勒、弹性成像、造影模式等多模态信息；或分析动态超声视频序列（如心脏运动、胎儿行为）。
- 关键技术： 多模态融合策略（early/late fusion, cross-modal attention）， 时空建模（3D CNN, RNN/LSTM, Transformer for video）， 图神经网络。
- 应用： 综合评估心脏功能、肿瘤血供及硬度特性、实时监测胎儿发育。
-
实时引导与介入手术导航：
- 目标： 在穿刺活检、消融治疗等介入手术中，利用AI实时识别关键解剖结构、病变、针尖位置，辅助医生精准操作。
- 关键技术： 实时目标检测与分割， 跟踪算法（如光流法结合DL）， 增强现实/虚拟现实可视化， 机器人控制集成。
- 难点： 对实时性要求高（<100ms），需硬件加速；处理探针运动造成的伪影和图像变形。
-
可解释AI与可信赖AI：
- 目标： 让AI的决策过程对医生透明、可理解，揭示模型依赖的图像特征，建立医生信任，满足监管要求。
- 关键技术： 显著性图（Grad-CAM, LayerCAM等）， 概念瓶颈模型， 反事实解释， 不确定性量化（贝叶斯深度学习）， 算法公平性研究。
- 核心价值： 推动AI临床转化落地的必经之路。
更多详情
