林立的照片

林立 Li Lin

高級 AI 工程師

寧德時代香港研究院(HKRI)

香港大學博士

醫療人工智能 · 科學智能 · 計算機視覺 · 智能體 AI · 遞歸自我改進(RSI)

個人簡介

我在寧德時代香港研究院(HKRI)從事智能體 AI(Agentic AI)和科學智能(AI for Science)研究,關注智能體如何從執行經驗中不斷改進,以及人工智能如何推進材料發現與電池表徵。

  • 遞歸自我改進(RSI)與 Agent Harness 自動優化。利用執行軌跡診斷反覆出現的失敗,研究如何自動優化智能體的執行框架,並用多輪評測檢驗改進能否跨任務遷移、能否保留已有能力。
  • 多智能體自主科研框架(Multi-Agent AutoResearch)。研究如何組織多個智能體協同提出假設、設計實驗和獨立核驗,並根據實驗結果修正後續假設,應用於機器學習力場、材料性質預測與篩選等。
  • 面向電池表徵的可泛化多模態 AI。結合先進信號處理與多模態學習,利用超聲信號、掃描電子顯微鏡(SEM)圖像等互補信息表徵電池狀態和材料微結構,研究模型在不同電芯和採集條件下的泛化。

我的醫療人工智能(AI for Healthcare)研究起步於本科階段的生物醫學工程工作,碩士期間轉向醫學影像,並在香港大學博士期間深入開展(博士論文)。我持續研究醫學影像分析中可遷移至不同任務的學習方法。

  • 數據與標註高效學習。面向樣本有限、監督不完整且不完美的情形,研究自監督、弱監督、半監督、主動學習和噪聲魯棒學習等方法,降低模型對大規模專家標註的依賴。
  • 可泛化 AI 與基礎模型。研究可跨成像協議、臨牀機構與任務遷移的多模態表徵,利用域泛化與高效適配提升模型在新環境中的適用性。
  • 個性化聯邦學習。面向機構間的數據孤島,研究聯邦優化與模型個性化,使各中心在保留原始數據的前提下協同學習,並適應各自的影像分佈與標註條件。

歡迎在智能體 AI、遞歸自我改進(RSI)、科學智能、醫療人工智能、計算機視覺、多模態 AI 等方向開展合作。您可以電郵聯絡我,也可以通過微信聯繫我。添加微信時,請在好友驗證信息中簡要介紹自己並註明來意。

學術動態

開放成果 →
往期動態 (2020–2026)

2026

  • LUMOS 按可靠性對偽標籤加權,在不同 OCT 標註層級之間傳遞監督。同屆 IEEE ISBI 另有兩項工作,分別研究基於合成數據的 TOF-MRA 血管分割和解剖先驗引導的 PET 衰減校正。 TOF-MRA 論文 DAPS

  • MIRAGE 利用最優傳輸與自適應梯度平衡,降低醫學圖文預訓練中報告錯配和假負樣本的干擾。在六項任務上評估遷移表現,發表於 Medical Image Analysis。 訓練代碼

  • AniMer+ 以共享 Transformer 層和麪向不同分類羣的專家模塊,將單圖三維重建擴展至四足哺乳動物和鳥類,並評估域外泛化表現。發表於 IEEE TPAMI。 項目頁

2025

  • CATL HKRI · 加入寧德時代香港研究院,擔任高級 AI 工程師,研究智能體評測與自我改進、面向材料的自主科研框架,以及多模態電池表徵。

  • 香港大學博士 · 獲香港大學電子與電氣工程博士學位,由港大與南科大聯合培養。博士論文研究稀疏標註下的高效學習,以及跨機構醫學影像的個性化聯邦學習。

  • UniOCTSeg 結合層級提示與漸進一致性訓練,用一個模型整合六種視網膜層標註粒度。在八個 OCT 數據集上評估,發表於 MICCAI。 代碼

  • MEFN 分別估計 PET 與 CT 的不確定性後,再融合體素級證據。在 AutoPET 和 HECKTOR 上評估腫瘤分割與不確定性估計,發表於 Knowledge-Based Systems。 代碼

  • AniMer 利用科級分類信息學習不同四足動物的三維姿態與形狀,並構建合成圖像與三維網格精確對應的 CtrlAni3D 訓練數據。發表於 CVPR。 代碼

  • ProCNS 隨訓練逐步校準特徵原型,抑制不可靠偽標籤,緩解稀疏監督下偽標籤誤差的累積。發表於 IEEE JBHI。 代碼

  • FedLPPA 通過個性化提示與逐參數聚合,適應機構間的影像分佈與弱標註差異。在四項分割任務上評估,發表於 IEEE TMI。 代碼

  • LF-SynthSeg 利用健康腦組織的解剖與強度信息合成腫瘤訓練樣本,在無需人工腫瘤掩碼的條件下訓練分割模型。發表於 IEEE JBHI。 代碼

2024

  • MMCM 通過互補掩碼學習 MRI 跨序列表徵。同期的 SMNet 將跨對比度配準與任意倍率各向同性重建結合。兩項工作均發表於 IEEE BIBM。 SMNet

  • Uni4Eye++ 將掩碼預訓練擴展到二維眼科圖像和三維體數據,併為不同模態設置相應的重建頭。已在 IEEE TMI 在線發表。 代碼

  • JOINEDTrans 將視網膜血管的空間先驗遷移到視盤、視杯分割與中心凹定位,採用由粗到細的結構在三個公開數據集上評估。發表於 Computers in Biology and Medicine。

  • pFedWSD 估計機構間相似性,將共享分割知識蒸餾至個性化教師模型,同時處理影像分佈與稀疏標註的異質性。發表於《中國圖象圖形學報》。

2023

  • YoloCurvSeg 將合成解剖結構與無標註圖像背景結合,僅用一條含噪骨架構建像素級分割監督。發表於 Medical Image Analysis,併入選中國醫學人工智能大會代表性算法。 代碼與數據 獎項資料

  • FedICRA 學習機構特異表徵並實施個性化參數聚合,適應跨機構的影像分佈與弱標註差異。發表於 MICCAI 的 MLMI 工作坊論文集。 代碼

  • PRIOR 在全局和局部尺度對齊影像與臨牀報告,以句子原型保留臨牀語義。遷移評測覆蓋五項下游任務,發表於 ICCV。 代碼

2022

  • AADG 在特徵空間搜尋能拓展訓練域多樣性的數據增強策略,評估對未見視網膜數據集與其他成像模態的遷移表現。發表於 IEEE TMI。 代碼

  • JOINED 以像素到解剖標誌點的距離作為輔助監督,聯合定位中心凹、分割視盤和視杯。發表於 MIDL 論文集。

  • DS³-Net 聯合利用配對與非配對掃描合成 T1 增強 MRI,由難度圖引導模型關注更難重建的區域。發表於 MICCAI。

  • Uni4Eye 通過重建掩碼區域的強度與梯度,在二維眼科圖像和三維體數據上聯合預訓練共享 Transformer。遷移評測覆蓋六項分類任務,發表於 MICCAI。

2021

  • BSDA-Net 以邊界熱圖和符號距離圖表徵黃斑中心凹無血管區,將幾何信息用於聯合分割與分類。發表於 MICCAI。 代碼

  • I-SECRET 從合成退化圖像和非配對臨牀圖像中學習眼底影像增強。同期工作以病灶為中心開展對比學習,用於視網膜病變分級。兩項工作均發表於 MICCAI。 病灶感知學習論文

  • 角膜神經分割 結合對比式圖像合成與質量增強,應對共聚焦顯微鏡影像的光照不均與標註誤差。發表於 IEEE ISBI。

  • BLU-GAN 用雙向 ConvLSTM 融合跨尺度特徵來分割視網膜血管,獲 BenchCouncil FICC 2020 最佳論文獎,正式論文收錄於 2021 年出版的論文集。

2020

  • SUSTech–SYSU 開放 1,219 張眼底照片,提供病灶、解剖標誌點標註及三套糖尿病視網膜病變分級。發表於 Scientific Data。 下載數據集

  • 眼底出血病灶檢測 先校正粗略的病灶框標註,再以標籤平滑訓練眼底出血病灶檢測模型。發表於 IEEE ISBI。

工作與教育經歷

完整學術履歷 →

學術論文

檢索論文

2026

圖 3 · 原文出處 · IEEE copyright

視覺語言基礎模型 · 知識圖譜推理 · 眼科影像解讀

EyeGraph:以知識圖譜推理支持眼科影像解讀的多粒度醫學視覺語言基礎模型

Zhiyuan Cai*, Yiwei Ren*, Yixiang Liu, Jialin Li, Yijin Huang, Pujin Cheng, Li Lin, Danli Shi, Mingguang He, Hao Chen, Xiaoying Tang

EyeGraph 利用 IT-Retinal 指令數據,將影像級診斷、解剖結構定位與報告生成納入同一視覺語言模型。報告生成時,G2T 從 UMLS 知識圖譜檢索相關關係,為推理提供依據,提升報告的事實一致性。

IEEE Transactions on Medical Imaging 2026 (JIF 12.4)論文代碼
圖 1 · 原文出處

自監督預訓練 · 掩碼互補建模 · 多模態磁共振分割

基於模態融合與掩碼互補建模的腦腫瘤分割預訓練

Jianwen Liang*, Li Lin*, Junyan Lyu, Pujin Cheng, Xiaoying Tang 共同第一作者

MF-MCM 先融合多序列腦 MRI,再在融合通道間分配互補掩碼,以原始序列重建與融合係數迴歸為聯合預訓練目標。研究在五個數據集上評估分割遷移,並考察少標註與序列缺失時的表現。

Information Fusion 2026 (JIF 17.4)論文代碼
圖 2 · 原文出處 · IEEE copyright

層級提示 · 雙向一致性學習 · 多粒度分割

UniOCTSeg++:基於細化層級提示與雙向漸進一致性學習的通用 OCT 視網膜層分割

Jian Zhong*, Li Lin*, Kenneth K. Y. Wong, Xiaoying Tang† 共同第一作者

UniOCTSeg++ 面向不同數據集的視網膜層標註協議,用成對的前景與背景提示顯式表示解剖層級,並在粗、細粒度預測之間施加雙向一致性約束。在論文構建的 HROCT-Bench 上,聯合利用無標註掃描時,僅使用 30% 的有標註數據即可接近全監督基線。

IEEE Transactions on Medical Imaging 2026 (JIF 12.4)論文代碼
圖 6 · 原文出處 · CC BY-NC-ND 4.0

視覺基礎模型 · 三維光學相干斷層成像 · 患者級診斷流程

基礎模型驅動的三維 OCT 視網膜疾病診斷全流程自動化

Jinze Zhang*, Jian Zhong*, Li Lin*, Jiaxiong Li*, Ke Ma, Naiyang Li, Meng Li, Yuan Pan, Zeyu Meng, Mengyun Zhou, Shang Huang, Shilong Yu, Zhengyu Duan, Sutong Li, Honghui Xia, Juping Liu, Dan Liang, Yantao Wei, Xiaoying Tang†, Jin Yuan†, Peng Xiao† 共同第一作者

FOCUS 將切片質控、基於 VisionFM 的異常檢測與多病種分類納入三維 OCT 診斷流程,再基於注意力聚合異常切片的特徵,得到患者級診斷。四家外部中心共納入 1,345 名患者,合併計算的患者級 F1 為 94.05%。

npj Digital Medicine 2026 (JIF 18.0)論文arXiv
圖 2 · 原文出處 · IEEE copyright

期相條件擴散 · 上下文感知融合 · 多期相 CT 分割

SynLiTS:以期相提示驅動擴散合成與上下文感知融合的未配準肝腫瘤分割

Shiyun Chen*, Li Lin*, Zhicheng Jin*, Pujin Cheng, Jianjian Chen, Haidong Zhu, Kenneth K. Y. Wong, Xiaoying Tang† 共同第一作者

SynLiTS 以 CT 期相為條件進行擴散生成,在各期相對齊的位置合成肝腫瘤。上下文感知融合使分割模型能夠聯合利用空間對齊的合成數據和存在配準誤差的真實影像。研究同時構建了真實多期相肝腫瘤數據集 MPLiTS。

IEEE Transactions on Medical Imaging 2026 (JIF 12.4)論文
圖 2 · 原文出處 · IEEE copyright

跨物種三維重建 · 類羣感知建模 · 擴散數據合成

AniMer+:基於類羣感知 Transformer 的哺乳類與鳥類統一姿態及形狀估計

Liang An*, Jin Lyu*, Li Lin, Pujin Cheng, Yebin Liu, Xiaoying Tang

AniMer+ 結合共享 Transformer 層與類羣專屬專家,在統一模型中重建四足哺乳動物和鳥類的三維姿態與形狀。研究以擴散生成補充像素對齊的三維標註,並在分佈外的 Animal Kingdom 基準上評估遷移表現。

IEEE Transactions on Pattern Analysis and Machine Intelligence 2026 (JIF 20.4)論文arXiv 代碼
圖 3 · 圖 4

醫學圖文預訓練 · 最優傳輸 · 魯棒對比學習

MIRAGE:面向噪聲環境的魯棒醫學圖文預訓練

Pujin Cheng, Yijin Huang, Li Lin, Junyan Lyu, Kenneth K. Y. Wong, Xiaoying Tang

MIRAGE 針對醫學圖文對比預訓練中的錯誤配對和假負例,以跨模態近鄰為先驗,用最優傳輸估計樣本之間的匹配關係,再通過自適應梯度平衡減輕噪聲監督的影響。研究在 14 個數據集、六項任務上評估了表徵遷移。

Medical Image Analysis 2026 (JIF 14.0)論文代碼

2025

圖 2 · 原文出處

層級提示 · 師生一致性 · 多粒度分割

UniOCTSeg:基於層級提示與漸進一致性學習的通用 OCT 視網膜層分割

Jian Zhong*, Li Lin*, Chaoran Miao, Kenneth K. Y. Wong, Xiaoying Tang 共同第一作者

UniOCTSeg 將細粒度視網膜層提示組合成粗粒度提示,在統一的 OCT 分割模型中表示不同標註協議。指數移動平均教師由易到難地在層級間傳遞監督,實驗覆蓋八個數據集、六種標註粒度。

圖 1 · 原文出處

證據學習 · 不確定性估計 · PET/CT 融合

面向可信 PET/CT 腫瘤分割的多模態證據融合網絡

Yuxuan Qi*, Li Lin*†, Bin Zhang, Jingya Zhang, Jiajun Wang 共同第一作者 共同通訊作者

MEFN 先對齊 PET 與 CT 表徵並分別校準各模態的不確定性,再用 Dempster–Shafer 證據理論融合體素級分割證據。研究在 AutoPET 和 HECKTOR 上評估了腫瘤勾畫效果及分割不確定性。

Knowledge-Based Systems 2025 (JIF 8.0)論文arXiv 代碼
圖 2 · 圖 4

單圖三維重建 · 科級分類監督的對比學習 · 動物姿態與形狀估計

AniMer:基於科級分類感知 Transformer 的動物姿態與形狀估計

Jin Lyu, Tianyi Zhu, Yi Gu, Li Lin, Pujin Cheng, Yebin Liu, Xiaoying Tang, Liang An

AniMer 面向跨類羣的四足動物單目三維重建。模型以動物類羣監督的對比學習組織 Transformer 表徵,並藉助 CtrlAni3D 補充具有像素對齊網格標註的擴散合成圖像,在三維標註基準及分佈外影像上評估重建表現。

圖 2 · 原文出處 · IEEE copyright

弱監督分割 · 原型校準 · 偽標籤噪聲抑制

ProCNS:面向弱監督醫學圖像分割的漸進原型校準與噪聲抑制

Yixiang Liu*, Li Lin*, Kenneth K. Y. Wong, Xiaoying Tang† 共同第一作者

ProCNS 針對稀疏標註擴展為稠密監督時的偽標籤誤差累積,利用校準後的原型刻畫區域的空間與語義親和性。它在更新原型時屏蔽不可靠像素,並在這些區域以軟偽標籤保留監督信號。

IEEE Journal of Biomedical and Health Informatics 2025 (JIF 7.7)論文arXiv 代碼
圖 2 · 圖 5 · IEEE copyright

個性化聯邦學習 · 提示學習 · 異構弱監督

FedLPPA:面向聯邦弱監督醫學圖像分割的個性化提示學習與聚合

Li Lin*, Yixiang Liu*, Jiewei Wu*, Pujin Cheng, Zhiyuan Cai, Kenneth K. Y. Wong, Xiaoying Tang 第一作者

FedLPPA 將共享知識、站點影像分佈和標註稀疏性分別編碼為可學習提示。提示相似度引導雙解碼器生成偽標籤,逐參數聚合則使解碼器適配各站點。研究在四項分割任務上評估了異構弱標註下的聯邦學習。

IEEE Transactions on Medical Imaging 2025 (JIF 12.4)論文arXiv 代碼

2024

圖 2 · 原文出處 · IEEE copyright

任意倍率超分辨率 · 跨對比度轉換 · 各向同性磁共振重建

用於多對比度任意倍率各向同性 MRI 重建的聯合超分辨率與模態轉換網絡

Kai Pan, Li Lin, Pujin Cheng, Junyan Lyu, Xiaoying Tang

SMNet 利用各向異性掃描與高分辨率參考序列,在不同上採樣倍率下重建各向同性 MRI。兩個分支分別處理跨對比度對齊與空間細節恢復,並通過可靠性加權控制參考特徵對重建的貢獻。

IEEE BIBM 2024 (CCF B)論文
圖 2 · 原文出處 · IEEE copyright

掩碼建模 · 自監督預訓練 · 多模態磁共振分割

面向腦腫瘤分割的掩碼模態互補建模

Jianwen Liang*, Li Lin*, Junyan Lyu*, Xiaoying Tang† 共同第一作者

MMCM 對不同 MRI 序列施加互補掩碼,使被遮蓋區域的重建依賴其他序列的表徵。研究在 BraTS 2021 上檢驗了自監督編碼器對腦腫瘤分割的遷移,包括少樣本訓練和單序列輸入兩種條件。

IEEE BIBM 2024 (CCF B)論文
圖 1 · 原文出處 · IEEE copyright

多模態自監督預訓練 · 熵引導掩碼 · 二維與三維眼科影像

Uni4Eye++:面向眼科影像分類與分割的通用掩碼建模多模態預訓練框架

Zhiyuan Cai, Li Lin, Huaqing He, Pujin Cheng, Xiaoying Tang†

Uni4Eye++ 將無標註二維眼科影像與三維體數據納入同一掩碼預訓練框架。圖像熵引導模型重建信息豐富的區域,動態重建頭適配不同模態的成像特徵,共享編碼器隨後遷移至分類和分割。

IEEE Transactions on Medical Imaging 2024 (JIF 12.4)論文代碼
圖 2 · 原文出處

解剖先驗 · 由粗到細的精細化 · 多任務學習

JOINEDTrans:先驗引導的視盤與視杯分割及黃斑中心凹檢測多任務 Transformer

Huaqing He*, Jiaming Qiu*, Li Lin*, Zhiyuan Cai, Pujin Cheng, Xiaoying Tang† 共同第一作者

JOINEDTrans 從視網膜血管分割中學習空間先驗,並遷移到視盤、視杯分割與黃斑中心定位。粗到細的 Transformer 以初步預測引導局部精修,並在 GAMMA、REFUGE 和 PALM 三個數據集上驗證。

Computers in Biology and Medicine 2024 (JIF 6.3)論文
圖 2 · 原文出處

個性化聯邦學習 · 相似度感知蒸餾 · 異構弱標註

相似度感知蒸餾的統一弱監督個性化聯邦圖像分割

潘建珊, 林立, 吳潔偉, 劉翼翔, 陳孝華, 林其友, 黃建業, 唐曉穎† 學生第一作者

pFedWSD 先通過循環蒸餾積累各站點的共性知識,再以批歸一化統計量估計站點相似度,為各站點構建個性化教師。該框架同時處理機構間的數據分佈差異與稀疏標註形式差異。

中國圖象圖形學報 2024 (CCF B / T2)論文

2023

圖 2 · 原文出處

單骨架監督 · 對比圖像合成 · 曲線結構分割

YoloCurvSeg:僅憑一個含噪骨架標註分割血管樣曲線結構

Li Lin, Linkai Peng, Huaqing He, Pujin Cheng, Jiewei Wu, Kenneth K. Y. Wong, Xiaoying Tang 第一作者

YoloCurvSeg 以一條含噪骨架標註為起點,為血管等曲線結構構造稠密訓練監督。方法利用圖塊級對比學習,將模擬曲線與修復後的影像背景融合成帶掩碼的樣本。以這一標註量訓練的模型在四個公開數據集上均達到相應全監督性能的 97% 以上。

Medical Image Analysis 2023 (JIF 14.0)論文arXiv 代碼
圖 2 · 原文出處

個性化聯邦學習 · 站點對比表徵學習 · 自適應聚合

基於自適應表徵與聚合的統一弱監督個性化聯邦醫學圖像分割

Li Lin, Jiewei Wu, Yixiang Liu, Kenneth K. Y. Wong, Xiaoying Tang 第一作者

FedICRA 面向採用不同稀疏標註、影像分佈也不同的機構開展個性化聯邦分割。它在選定通道上進行站點對比學習,以區分機構特異表徵,再逐元素融合本地參數與全局共享知識。

MLMI at MICCAI 2023論文代碼
圖 2 · 圖 4

醫學圖文預訓練 · 原型學習 · 局部與全局對齊

PRIOR:醫學影像與報告的原型表徵聯合學習

Pujin Cheng, Li Lin, Junyan Lyu, Yijin Huang, Wenhan Luo, Xiaoying Tang

PRIOR 在整幅影像與局部區域兩個尺度對齊醫學圖像和報告,並通過跨模態重建與句子原型庫保留局部成像線索和臨牀語言信息。研究在零樣本分類、圖文檢索與稠密預測等五項任務上檢驗表徵的遷移能力。

2022

圖 2 · 圖 3 · IEEE copyright

域泛化 · 數據增強策略搜尋 · 最優傳輸

AADG:用於視網膜圖像分割域泛化的自動數據增強

Junyan Lyu, Yiqi Zhang, Yijin Huang, Li Lin, Pujin Cheng, Xiaoying Tang†

AADG 以特徵空間中增強訓練域之間的 Sinkhorn 距離衡量域多樣性,並自動搜尋數據增強策略。實驗覆蓋 11 個眼底照數據集和兩個 OCT 血管成像數據集,分別檢驗跨數據集與跨模態泛化。

IEEE Transactions on Medical Imaging 2022 (JIF 12.4)論文arXiv 代碼
圖 1 · 原文出處

難度感知學習 · 半監督合成 · 對比增強磁共振成像

DS³-Net:利用難度感知半監督學習從常規多模態 MRI 合成 T1 對比增強圖像

Ziqi Huang, Li Lin, Pujin Cheng, Kai Pan, Xiaoying Tang

DS³-Net 聯合配對與未配對 MRI 合成對比增強 T1 序列,並用預測的難度圖將像素級約束與圖塊級對比學習聚焦於難重建區域。在 BraTS 2020 上,僅使用 5% 配對數據時,其表現仍可與使用全部配對數據的方法相比。

MICCAI 2022 (CCF B)論文
圖 1 · 原文出處

多模態自監督預訓練 · 掩碼圖像建模 · 眼科影像分類

Uni4Eye:以掩碼圖像建模 Transformer 統一二維與三維眼科影像分類的自監督預訓練

Zhiyuan Cai*, Li Lin*, Huaqing He, Xiaoying Tang 共同第一作者

Uni4Eye 通過共享圖塊嵌入,將二維眼科影像與三維體數據納入同一視覺 Transformer 的自監督預訓練。模型聯合重建被遮蓋的圖像強度及其梯度,並在六項分類任務上評估遷移能力。

MICCAI 2022 (CCF B)論文arXiv

2021

圖 1 · 原文出處

幾何感知學習 · 聯合分割與分類 · 光學相干斷層血管成像

BSDA-Net:基於邊界形狀與距離感知的 OCTA 圖像分割和分類聯合學習框架

Li Lin, Zhonghua Wang, Jiewei Wu, Yijin Huang, Junyan Lyu, Pujin Cheng, Jiong Wu, Xiaoying Tang 第一作者

BSDA-Net 在黃斑中心凹無血管區分割之外,聯合迴歸邊界熱圖和重建有符號距離圖,以學習其幾何形態。分層融合將結構表徵傳遞給診斷分類器,使幾何勾畫與疾病判別共享信息。

圖 2 · 原文出處

自監督對比學習 · 病灶感知表徵 · 糖尿病視網膜病變分級

基於病灶對比學習的眼底圖像糖尿病視網膜病變分級

Yijin Huang, Li Lin, Pujin Cheng, Junyan Lyu, Xiaoying Tang

該研究使用以病灶為中心的圖塊進行自監督對比學習,使表徵對糖尿病視網膜病變分級所需的微小病理信號更敏感,並通過 EyePACS 上的線性評估與遷移實驗檢驗所得特徵。

MICCAI 2021 (CCF B)論文
圖 2 · 原文出處 · IEEE copyright

對比圖像合成 · 共聚焦顯微成像 · 角膜神經分割

基於對比學習合成與質量增強的共聚焦顯微圖像角膜神經自動分割

Li Lin, Pujin Cheng, Zhonghua Wang, Meng Li, Kai Wang, Xiaoying Tang 第一作者

該流程結合影像合成與質量增強,處理角膜共聚焦顯微圖像中的標註誤差與照明不均。多層圖塊對比學習用於構造神經分割訓練樣本,研究在兩個公開數據集上檢驗其效果。

IEEE ISBI 2021論文

2020

圖 5 · 原文出處 · CC BY 4.0

數據集構建 · 滲出灶檢測 · 多標準視網膜病變分級

用於自動滲出灶檢測與糖尿病視網膜病變分級的 SUSTech–SYSU 數據集

Li Lin*, Meng Li*, Yijin Huang*, Pujin Cheng, Honghui Xia, Kai Wang, Jin Yuan†, Xiaoying Tang† 第一作者

該數據集開放 1,219 張眼底照,提供滲出病灶、視盤與黃斑中心的標註,以及三種協議下的糖尿病視網膜病變等級。數據可用於病灶識別、解剖標誌定位及跨分級協議比較。

Scientific Data 2020 (JIF 7.2)論文代碼 數據

學術服務

期刊審稿人
會議審稿人
  • IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (CCF A)
  • IEEE/CVF International Conference on Computer Vision (ICCV) (CCF A)
  • AAAI Conference on Artificial Intelligence (AAAI) (CCF A)
  • Annual Meeting of the Association for Computational Linguistics (ACL) (CCF A)
  • International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI) (CCF B)
  • IEEE International Symposium on Biomedical Imaging (ISBI)

微信

微信二維碼

請用微信掃描二維碼,添加時簡要介紹自己並註明來意。

查看原圖出處 ↗