CT和磁共振图像处理、配准、分割
cuda加速和部署
基于 C++和VTK构建交互式三维可视化平台，实现患者 CT 影像的高质量体渲染与表面重建，支持医生通过鼠标点选精准拾取感兴趣区域，开发交互式 ROI 截取算法，用户可在三维空间中自由选取解剖区域；系统自动计算该区域表面的 局部法向量场，并沿法向方向进行可控拉伸，生成高度贴合患者解剖结构的个性化浇铸盒，该浇铸盒可直接用于制造定制化穿透膜（如用于放射治疗或手术导板的防护/定位膜），相比传统手工塑形或标准模板方法，显著提升贴合精度与制造效率，降低材料浪费与人工成本。
实现全身器官和骨骼高精度高速度分割
主导从0到1的数据闭环建设：协调多家合作医院收集临床图像数据，联合放射科医生共同制定浓聚区域（如骨转移灶、代谢活跃区等）的标注规范，确保标注标准兼具医学合理性与算法可学习性。
针对医学图像信噪比低、病灶尺度多变等特点，自主设计了一套面向任务的预处理与数据增强 pipeline，包括自适应去噪，基于改进的 YOLO 系列目标检测模型实现浓聚区域的端到端检测，在内部测试集上达到 90% 准确率（Precision）与 93% 召回率（Recall），满足临床对高敏感性筛查的需求。
进一步融合检测结果与后续分割输出（如基于 nnU-Net 的精细边界提取），构建结构化病灶描述，并接入轻量化大语言模型（Linshu 7B），自动生成功能性诊断报告初稿（如病灶位置、范围、可能临床意义），辅助医生提升阅片效率。项目体现“数据–算法–临床–报告”全链路能力。
从零构建高质量医学图像数据集：自主完成数据采集、清洗与精细化标注，采用 nnU-Net 框架进行全自动分割模型开发，通过多轮迭代训练与交叉验证优化性能；深度重构其预处理与后处理流程，将其从原始 PyTorch 依赖中解耦，实现模块化、轻量化，为后续部署奠定基础。
将训练好的模型导出为 ONNX 格式，进一步转换为 TensorRT 引擎以实现 GPU 加速推理；基于 FastAPI 构建高性能 RESTful 服务，支持前端实时交互与批量处理请求，推理速度提升 3–5 倍。
以第一作者身份将该工作发表于医学成像领域顶级专业会议Fully3D 2025，验证了方法的创新性与有效性。
开发 3D Slicer 插件，集成模型推理、多模态图像融合显示、分割结果可视化与交互式修正功能，无缝嵌入医生常规阅片工作流，同时为满足医院离线使用需求，使用 Nuitka 将整个 Python 项目编译为独立可执行程序包，无需依赖环境，一键部署至医生工作站，显著降低使用门槛，已在合作医院开展试用。
评论