林立的照片

林立 Li Lin

高级 AI 工程师

宁德时代香港研究院(HKRI)

香港大学博士

医疗人工智能 · 科学智能 · 计算机视觉 · 智能体 AI · 递归自我改进(RSI)

个人简介

我在宁德时代香港研究院(HKRI)从事智能体 AI(Agentic AI)和科学智能(AI for Science)研究,关注智能体如何从执行经验中不断改进,以及人工智能如何推进材料发现与电池表征。

  • 递归自我改进(RSI)与 Agent Harness 自动优化。利用执行轨迹诊断反复出现的失败,研究如何自动优化智能体的执行框架,并用多轮评测检验改进能否跨任务迁移、能否保留已有能力。
  • 多智能体自主科研框架(Multi-Agent AutoResearch)。研究如何组织多个智能体协同提出假设、设计实验和独立核验,并根据实验结果修正后续假设,应用于机器学习力场、材料性质预测与筛选等。
  • 面向电池表征的可泛化多模态 AI。结合先进信号处理与多模态学习,利用超声信号、扫描电子显微镜(SEM)图像等互补信息表征电池状态和材料微结构,研究模型在不同电芯和采集条件下的泛化。

我的医疗人工智能(AI for Healthcare)研究起步于本科阶段的生物医学工程工作,硕士期间转向医学影像,并在香港大学博士期间深入开展(博士论文)。我持续研究医学影像分析中可迁移至不同任务的学习方法。

  • 数据与标注高效学习。面向样本有限、监督不完整且不完美的情形,研究自监督、弱监督、半监督、主动学习和噪声鲁棒学习等方法,降低模型对大规模专家标注的依赖。
  • 可泛化 AI 与基础模型。研究可跨成像协议、临床机构与任务迁移的多模态表征,利用域泛化与高效适配提升模型在新环境中的适用性。
  • 个性化联邦学习。面向机构间的数据孤岛,研究联邦优化与模型个性化,使各中心在保留原始数据的前提下协同学习,并适应各自的影像分布与标注条件。

欢迎在智能体 AI、递归自我改进(RSI)、科学智能、医疗人工智能、计算机视觉、多模态 AI 等方向开展合作。您可以给我发邮件,也可以通过微信联系我。添加微信时,请在好友验证信息中简要介绍自己并注明来意。

学术动态

开放成果 →
往期动态 (2020–2026)

2026

  • LUMOS 按可靠性对伪标签加权,在不同 OCT 标注层级之间传递监督。同届 IEEE ISBI 另有两项工作,分别研究基于合成数据的 TOF-MRA 血管分割和解剖先验引导的 PET 衰减校正。 TOF-MRA 论文 DAPS

  • MIRAGE 利用最优传输与自适应梯度平衡,降低医学图文预训练中报告错配和假负样本的干扰。在六项任务上评估迁移表现,发表于 Medical Image Analysis。 训练代码

  • AniMer+ 以共享 Transformer 层和面向不同分类群的专家模块,将单图三维重建扩展至四足哺乳动物和鸟类,并评估域外泛化表现。发表于 IEEE TPAMI。 项目页

2025

  • CATL HKRI · 加入宁德时代香港研究院,担任高级 AI 工程师,研究智能体评测与自我改进、面向材料的自主科研框架,以及多模态电池表征。

  • 香港大学博士 · 获香港大学电子与电气工程博士学位,由港大与南科大联合培养。博士论文研究稀疏标注下的高效学习,以及跨机构医学影像的个性化联邦学习。

  • UniOCTSeg 结合层级提示与渐进一致性训练,用一个模型整合六种视网膜层标注粒度。在八个 OCT 数据集上评估,发表于 MICCAI。 代码

  • MEFN 分别估计 PET 与 CT 的不确定性后,再融合体素级证据。在 AutoPET 和 HECKTOR 上评估肿瘤分割与不确定性估计,发表于 Knowledge-Based Systems。 代码

  • AniMer 利用科级分类信息学习不同四足动物的三维姿态与形状,并构建合成图像与三维网格精确对应的 CtrlAni3D 训练数据。发表于 CVPR。 代码

  • ProCNS 随训练逐步校准特征原型,抑制不可靠伪标签,缓解稀疏监督下伪标签误差的累积。发表于 IEEE JBHI。 代码

  • FedLPPA 通过个性化提示与逐参数聚合,适应机构间的影像分布与弱标注差异。在四项分割任务上评估,发表于 IEEE TMI。 代码

  • LF-SynthSeg 利用健康脑组织的解剖与强度信息合成肿瘤训练样本,在无需人工肿瘤掩码的条件下训练分割模型。发表于 IEEE JBHI。 代码

2024

  • MMCM 通过互补掩码学习 MRI 跨序列表征。同期的 SMNet 将跨对比度配准与任意倍率各向同性重建结合。两项工作均发表于 IEEE BIBM。 SMNet

  • Uni4Eye++ 将掩码预训练扩展到二维眼科图像和三维体数据,并为不同模态设置相应的重建头。已在 IEEE TMI 在线发表。 代码

  • JOINEDTrans 将视网膜血管的空间先验迁移到视盘、视杯分割与中心凹定位,采用由粗到细的结构在三个公开数据集上评估。发表于 Computers in Biology and Medicine。

  • pFedWSD 估计机构间相似性,将共享分割知识蒸馏至个性化教师模型,同时处理影像分布与稀疏标注的异质性。发表于《中国图象图形学报》。

2023

  • YoloCurvSeg 将合成解剖结构与无标注图像背景结合,仅用一条含噪骨架构建像素级分割监督。发表于 Medical Image Analysis,并入选中国医学人工智能大会代表性算法。 代码与数据 奖项资料

  • FedICRA 学习机构特异表征并实施个性化参数聚合,适应跨机构的影像分布与弱标注差异。发表于 MICCAI 的 MLMI 工作坊论文集。 代码

  • PRIOR 在全局和局部尺度对齐影像与临床报告,以句子原型保留临床语义。迁移评测覆盖五项下游任务,发表于 ICCV。 代码

2022

  • AADG 在特征空间搜索能拓展训练域多样性的数据增强策略,评估对未见视网膜数据集与其他成像模态的迁移表现。发表于 IEEE TMI。 代码

  • JOINED 以像素到解剖标志点的距离作为辅助监督,联合定位中心凹、分割视盘和视杯。发表于 MIDL 论文集。

  • DS³-Net 联合利用配对与非配对扫描合成 T1 增强 MRI,由难度图引导模型关注更难重建的区域。发表于 MICCAI。

  • Uni4Eye 通过重建掩码区域的强度与梯度,在二维眼科图像和三维体数据上联合预训练共享 Transformer。迁移评测覆盖六项分类任务,发表于 MICCAI。

2021

  • BSDA-Net 以边界热图和符号距离图表征黄斑中心凹无血管区,将几何信息用于联合分割与分类。发表于 MICCAI。 代码

  • I-SECRET 从合成退化图像和非配对临床图像中学习眼底影像增强。同期工作以病灶为中心开展对比学习,用于视网膜病变分级。两项工作均发表于 MICCAI。 病灶感知学习论文

  • 角膜神经分割 结合对比式图像合成与质量增强,应对共聚焦显微镜影像的光照不均与标注误差。发表于 IEEE ISBI。

  • BLU-GAN 用双向 ConvLSTM 融合跨尺度特征来分割视网膜血管,获 BenchCouncil FICC 2020 最佳论文奖,正式论文收录于 2021 年出版的论文集。

2020

  • SUSTech–SYSU 开放 1,219 张眼底照片,提供病灶、解剖标志点标注及三套糖尿病视网膜病变分级。发表于 Scientific Data。 下载数据集

  • 眼底出血病灶检测 先校正粗略的病灶框标注,再以标签平滑训练眼底出血病灶检测模型。发表于 IEEE ISBI。

工作与教育经历

完整学术简历 →

学术论文

检索论文

2026

图 3 · 原文出处 · IEEE copyright

视觉语言基础模型 · 知识图谱推理 · 眼科影像解读

EyeGraph:以知识图谱推理支持眼科影像解读的多粒度医学视觉语言基础模型

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 指令数据,将影像级诊断、解剖结构定位与报告生成纳入同一视觉语言模型。报告生成时,G2T 从 UMLS 知识图谱检索相关关系,为推理提供依据,提升报告的事实一致性。

IEEE Transactions on Medical Imaging 2026 (JIF 12.4)论文代码
图 1 · 原文出处

自监督预训练 · 掩码互补建模 · 多模态磁共振分割

基于模态融合与掩码互补建模的脑肿瘤分割预训练

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

MF-MCM 先融合多序列脑 MRI,再在融合通道间分配互补掩码,以原始序列重建与融合系数回归为联合预训练目标。研究在五个数据集上评估分割迁移,并考察少标注与序列缺失时的表现。

Information Fusion 2026 (JIF 17.4)论文代码
图 2 · 原文出处 · IEEE copyright

层级提示 · 双向一致性学习 · 多粒度分割

UniOCTSeg++:基于细化层级提示与双向渐进一致性学习的通用 OCT 视网膜层分割

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

UniOCTSeg++ 面向不同数据集的视网膜层标注协议,用成对的前景与背景提示显式表示解剖层级,并在粗、细粒度预测之间施加双向一致性约束。在论文构建的 HROCT-Bench 上,联合利用无标注扫描时,仅使用 30% 的有标注数据即可接近全监督基线。

IEEE Transactions on Medical Imaging 2026 (JIF 12.4)论文代码
图 6 · 原文出处 · CC BY-NC-ND 4.0

视觉基础模型 · 三维光学相干断层成像 · 患者级诊断流程

基础模型驱动的三维 OCT 视网膜疾病诊断全流程自动化

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 将切片质控、基于 VisionFM 的异常检测与多病种分类纳入三维 OCT 诊断流程,再基于注意力聚合异常切片的特征,得到患者级诊断。四家外部中心共纳入 1,345 名患者,合并计算的患者级 F1 为 94.05%。

npj Digital Medicine 2026 (JIF 18.0)论文arXiv
图 2 · 原文出处 · IEEE copyright

期相条件扩散 · 上下文感知融合 · 多期相 CT 分割

SynLiTS:以期相提示驱动扩散合成与上下文感知融合的未配准肝肿瘤分割

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 期相为条件进行扩散生成,在各期相对齐的位置合成肝肿瘤。上下文感知融合使分割模型能够联合利用空间对齐的合成数据和存在配准误差的真实影像。研究同时构建了真实多期相肝肿瘤数据集 MPLiTS。

IEEE Transactions on Medical Imaging 2026 (JIF 12.4)论文
图 2 · 原文出处 · IEEE copyright

跨物种三维重建 · 类群感知建模 · 扩散数据合成

AniMer+:基于类群感知 Transformer 的哺乳类与鸟类统一姿态及形状估计

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

AniMer+ 结合共享 Transformer 层与类群专属专家,在统一模型中重建四足哺乳动物和鸟类的三维姿态与形状。研究以扩散生成补充像素对齐的三维标注,并在分布外的 Animal Kingdom 基准上评估迁移表现。

IEEE Transactions on Pattern Analysis and Machine Intelligence 2026 (JIF 20.4)论文arXiv 代码
图 3 · 图 4

医学图文预训练 · 最优传输 · 鲁棒对比学习

MIRAGE:面向噪声环境的鲁棒医学图文预训练

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

MIRAGE 针对医学图文对比预训练中的错误配对和假负例,以跨模态近邻为先验,用最优传输估计样本之间的匹配关系,再通过自适应梯度平衡减轻噪声监督的影响。研究在 14 个数据集、六项任务上评估了表征迁移。

Medical Image Analysis 2026 (JIF 14.0)论文代码

2025

图 2 · 原文出处

层级提示 · 师生一致性 · 多粒度分割

UniOCTSeg:基于层级提示与渐进一致性学习的通用 OCT 视网膜层分割

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

UniOCTSeg 将细粒度视网膜层提示组合成粗粒度提示,在统一的 OCT 分割模型中表示不同标注协议。指数移动平均教师由易到难地在层级间传递监督,实验覆盖八个数据集、六种标注粒度。

图 1 · 原文出处

证据学习 · 不确定性估计 · PET/CT 融合

面向可信 PET/CT 肿瘤分割的多模态证据融合网络

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

MEFN 先对齐 PET 与 CT 表征并分别校准各模态的不确定性,再用 Dempster–Shafer 证据理论融合体素级分割证据。研究在 AutoPET 和 HECKTOR 上评估了肿瘤勾画效果及分割不确定性。

Knowledge-Based Systems 2025 (JIF 8.0)论文arXiv 代码
图 2 · 图 4

单图三维重建 · 科级分类监督的对比学习 · 动物姿态与形状估计

AniMer:基于科级分类感知 Transformer 的动物姿态与形状估计

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

AniMer 面向跨类群的四足动物单目三维重建。模型以动物类群监督的对比学习组织 Transformer 表征,并借助 CtrlAni3D 补充具有像素对齐网格标注的扩散合成图像,在三维标注基准及分布外影像上评估重建表现。

图 2 · 原文出处 · IEEE copyright

弱监督分割 · 原型校准 · 伪标签噪声抑制

ProCNS:面向弱监督医学图像分割的渐进原型校准与噪声抑制

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

ProCNS 针对稀疏标注扩展为稠密监督时的伪标签误差累积,利用校准后的原型刻画区域的空间与语义亲和性。它在更新原型时屏蔽不可靠像素,并在这些区域以软伪标签保留监督信号。

IEEE Journal of Biomedical and Health Informatics 2025 (JIF 7.7)论文arXiv 代码
图 2 · 图 5 · IEEE copyright

个性化联邦学习 · 提示学习 · 异构弱监督

FedLPPA:面向联邦弱监督医学图像分割的个性化提示学习与聚合

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

FedLPPA 将共享知识、站点影像分布和标注稀疏性分别编码为可学习提示。提示相似度引导双解码器生成伪标签,逐参数聚合则使解码器适配各站点。研究在四项分割任务上评估了异构弱标注下的联邦学习。

IEEE Transactions on Medical Imaging 2025 (JIF 12.4)论文arXiv 代码

2024

图 2 · 原文出处 · IEEE copyright

任意倍率超分辨率 · 跨对比度转换 · 各向同性磁共振重建

用于多对比度任意倍率各向同性 MRI 重建的联合超分辨率与模态转换网络

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

SMNet 利用各向异性扫描与高分辨率参考序列,在不同上采样倍率下重建各向同性 MRI。两个分支分别处理跨对比度对齐与空间细节恢复,并通过可靠性加权控制参考特征对重建的贡献。

IEEE BIBM 2024 (CCF B)论文
图 2 · 原文出处 · IEEE copyright

掩码建模 · 自监督预训练 · 多模态磁共振分割

面向脑肿瘤分割的掩码模态互补建模

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

MMCM 对不同 MRI 序列施加互补掩码,使被遮盖区域的重建依赖其他序列的表征。研究在 BraTS 2021 上检验了自监督编码器对脑肿瘤分割的迁移,包括少样本训练和单序列输入两种条件。

IEEE BIBM 2024 (CCF B)论文
图 1 · 原文出处 · IEEE copyright

多模态自监督预训练 · 熵引导掩码 · 二维与三维眼科影像

Uni4Eye++:面向眼科影像分类与分割的通用掩码建模多模态预训练框架

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

Uni4Eye++ 将无标注二维眼科影像与三维体数据纳入同一掩码预训练框架。图像熵引导模型重建信息丰富的区域,动态重建头适配不同模态的成像特征,共享编码器随后迁移至分类和分割。

IEEE Transactions on Medical Imaging 2024 (JIF 12.4)论文代码
图 2 · 原文出处

解剖先验 · 由粗到细的精细化 · 多任务学习

JOINEDTrans:先验引导的视盘与视杯分割及黄斑中心凹检测多任务 Transformer

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

JOINEDTrans 从视网膜血管分割中学习空间先验,并迁移到视盘、视杯分割与黄斑中心定位。粗到细的 Transformer 以初步预测引导局部精修,并在 GAMMA、REFUGE 和 PALM 三个数据集上验证。

Computers in Biology and Medicine 2024 (JIF 6.3)论文
图 2 · 原文出处

个性化联邦学习 · 相似度感知蒸馏 · 异构弱标注

相似度感知蒸馏的统一弱监督个性化联邦图像分割

潘建珊, 林立, 吴洁伟, 刘翼翔, 陈孝华, 林其友, 黄建业, 唐晓颖† 学生第一作者

pFedWSD 先通过循环蒸馏积累各站点的共性知识,再以批归一化统计量估计站点相似度,为各站点构建个性化教师。该框架同时处理机构间的数据分布差异与稀疏标注形式差异。

中国图象图形学报 2024 (CCF B / T2)论文

2023

图 2 · 原文出处

单骨架监督 · 对比图像合成 · 曲线结构分割

YoloCurvSeg:仅凭一个含噪骨架标注分割血管样曲线结构

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

YoloCurvSeg 以一条含噪骨架标注为起点,为血管等曲线结构构造稠密训练监督。方法利用图块级对比学习,将模拟曲线与修复后的影像背景融合成带掩码的样本。以这一标注量训练的模型在四个公开数据集上均达到相应全监督性能的 97% 以上。

Medical Image Analysis 2023 (JIF 14.0)论文arXiv 代码
图 2 · 原文出处

个性化联邦学习 · 站点对比表征学习 · 自适应聚合

基于自适应表征与聚合的统一弱监督个性化联邦医学图像分割

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

FedICRA 面向采用不同稀疏标注、影像分布也不同的机构开展个性化联邦分割。它在选定通道上进行站点对比学习,以区分机构特异表征,再逐元素融合本地参数与全局共享知识。

MLMI at MICCAI 2023论文代码
图 2 · 图 4

医学图文预训练 · 原型学习 · 局部与全局对齐

PRIOR:医学影像与报告的原型表征联合学习

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

PRIOR 在整幅影像与局部区域两个尺度对齐医学图像和报告,并通过跨模态重建与句子原型库保留局部成像线索和临床语言信息。研究在零样本分类、图文检索与稠密预测等五项任务上检验表征的迁移能力。

2022

图 2 · 图 3 · IEEE copyright

域泛化 · 数据增强策略搜索 · 最优传输

AADG:用于视网膜图像分割域泛化的自动数据增强

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

AADG 以特征空间中增强训练域之间的 Sinkhorn 距离衡量域多样性,并自动搜索数据增强策略。实验覆盖 11 个眼底照数据集和两个 OCT 血管成像数据集,分别检验跨数据集与跨模态泛化。

IEEE Transactions on Medical Imaging 2022 (JIF 12.4)论文arXiv 代码
图 1 · 原文出处

难度感知学习 · 半监督合成 · 对比增强磁共振成像

DS³-Net:利用难度感知半监督学习从常规多模态 MRI 合成 T1 对比增强图像

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

DS³-Net 联合配对与未配对 MRI 合成对比增强 T1 序列,并用预测的难度图将像素级约束与图块级对比学习聚焦于难重建区域。在 BraTS 2020 上,仅使用 5% 配对数据时,其表现仍可与使用全部配对数据的方法相比。

MICCAI 2022 (CCF B)论文
图 1 · 原文出处

多模态自监督预训练 · 掩码图像建模 · 眼科影像分类

Uni4Eye:以掩码图像建模 Transformer 统一二维与三维眼科影像分类的自监督预训练

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

Uni4Eye 通过共享图块嵌入,将二维眼科影像与三维体数据纳入同一视觉 Transformer 的自监督预训练。模型联合重建被遮盖的图像强度及其梯度,并在六项分类任务上评估迁移能力。

MICCAI 2022 (CCF B)论文arXiv

2021

图 1 · 原文出处

几何感知学习 · 联合分割与分类 · 光学相干断层血管成像

BSDA-Net:基于边界形状与距离感知的 OCTA 图像分割和分类联合学习框架

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

BSDA-Net 在黄斑中心凹无血管区分割之外,联合回归边界热图和重建有符号距离图,以学习其几何形态。分层融合将结构表征传递给诊断分类器,使几何勾画与疾病判别共享信息。

图 2 · 原文出处

自监督对比学习 · 病灶感知表征 · 糖尿病视网膜病变分级

基于病灶对比学习的眼底图像糖尿病视网膜病变分级

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

该研究使用以病灶为中心的图块进行自监督对比学习,使表征对糖尿病视网膜病变分级所需的微小病理信号更敏感,并通过 EyePACS 上的线性评估与迁移实验检验所得特征。

MICCAI 2021 (CCF B)论文
图 2 · 原文出处 · IEEE copyright

对比图像合成 · 共聚焦显微成像 · 角膜神经分割

基于对比学习合成与质量增强的共聚焦显微图像角膜神经自动分割

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

该流程结合影像合成与质量增强,处理角膜共聚焦显微图像中的标注误差与照明不均。多层图块对比学习用于构造神经分割训练样本,研究在两个公开数据集上检验其效果。

IEEE ISBI 2021论文

2020

图 5 · 原文出处 · CC BY 4.0

数据集构建 · 渗出灶检测 · 多标准视网膜病变分级

用于自动渗出灶检测与糖尿病视网膜病变分级的 SUSTech–SYSU 数据集

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

该数据集开放 1,219 张眼底照,提供渗出病灶、视盘与黄斑中心的标注,以及三种协议下的糖尿病视网膜病变等级。数据可用于病灶识别、解剖标志定位及跨分级协议比较。

Scientific Data 2020 (JIF 7.2)论文代码 数据

学术服务

期刊审稿人
会议审稿人
  • 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

微信二维码

请用微信扫描二维码,添加时简要介绍自己并注明来意。

打开原图出处 ↗