01
从影像感知到临床决策支持
医学超声影像分析是通用智能超声体系中的核心视觉感知模块，承担从超声图像中自动获取病灶位置、组织结构及疾病相关语义信息的重要任务，为临床精准诊断与智能决策提供关键支撑。针对传统超声影像存在的边界模糊、噪声干扰强、病灶形态复杂以及诊断高度依赖医生经验等问题，团队围绕图像理解这一核心目标，系统开展了医学超声影像结构表征、病灶分割定位、智能分类识别以及辅助诊断推理等研究，形成了从影像感知到临床决策支持的完整AI分析体系。
WISEMED · RESEARCH 02
研究方向二智能超声影像理解与AI辅助诊断
02
复杂病灶的精准分割与定位
针对超声图像中肿瘤边界模糊、纹理不稳定和噪声干扰严重等问题，团队提出了融合全局语义理解与局部结构感知的智能分割方法，实现了复杂病灶区域的精准定位。团队设计了选择性融合的轻量化网络架构，借鉴人脑视觉皮层的信息处理机制，在降低模型复杂度的同时增强关键形态特征表达，兼顾病灶整体结构与边缘细节。在乳腺、甲状腺及肌肉骨骼等多类型超声数据上的实验表明，该系列方法在分割精度、边界保持和推理效率方面具有明显优势，适用于实际医疗场景中的快速智能分析。同时，团队进一步引入频域信息与形态学先验，通过低频结构信息和高频边缘纹理的联合建模，提升模型对病灶边界和组织结构变化的敏感性，并在多中心影像分割任务中表现出良好的跨任务泛化能力。
03
智能分类与辅助诊断
在病灶定位基础上，团队进一步开展基于超声影像语义理解的智能分类与辅助诊断研究，突破传统深度学习模型仅依赖局部图像特征、缺乏医学语义关联的问题。针对乳腺癌、甲状腺癌等疾病诊断需求，团队提出多视角特征学习、特征交互增强以及脑启发式推理方法，通过从不同视角捕获病灶形态、边缘浸润及组织结构信息，实现更加全面的疾病表征。同时，通过显式建模图像特征之间的高阶关联关系，建立从视觉特征到诊断结果之间的语义映射机制，提高了模型的诊断准确性与可解释性。相比传统依赖单一区域分析的诊断方法，该系列研究能够自动关注关键病灶区域，并结合整体影像信息进行综合判断，诊断准确率优势显著且对于病灶的定位也更加准确，在减少人工标注依赖的同时提升了复杂超声环境下疾病识别的稳定性，为智能辅助诊断提供了新的技术路径。
04
面向通用智能超声的视觉基础
这一系列研究推动医学超声人工智能由传统的数据驱动识别向影像理解、知识融合与辅助决策的方向发展，为未来通用智能超声系统实现自主感知、智能推理和临床辅助决策奠定了重要基础。团队相关研究成果得到同行高度认可，多篇成果入选ESI高被引论文和Scopus国际前1%顶尖论文并获得相关领域媒体的宣传报道。
