数据驱动的高维医学图像处理与分析

Along with the rapid development of various medical imaging technologies and computational resource, high dimensional medical images play more and more important roles in clinical application. However there still present many challenges for high dimensional image processing and analysis with high accuracy and efficiency in practice. This project aims to develop data-driven models and algorithms for high dimensional medical image processing and analysis with heterogeneous structure, such as dynamic imaging, multimodal imaging. The topics include sparse dictionary learning and big data oriented deep artificial neural network models for image restoration, algorithms for solving the related large scale optimization problems and applications in medical imaging.

随着各类医疗影像技术和计算资源的快速发展，高维医学图像在临床中起着越来越重要的作用。然而高质量高效率的超高维图像处理与分析仍然面临着很大的挑战。该项目将针对高维异构医学成像，例如动态医学成像，多模态成像与融合等问题，研究基于数据驱动的高维图像处理与分析方法。针对异构数据，我们将研究基于稀疏字典学习、面向大数据的深层人工神经网络的图像恢复模型, 相关大规模优化问题的计算方法，以及在临床医学影像技术中的应用。

高质量的高维医学图像，如多模态图像处理，动态图像处理等在精准医疗中起着越来越重要的作用。然而在低采样率高噪音（低剂量）下的高质量高效率的超高维图像处理与分析仍然面临着很大的挑战。该项目针对图像恢复问题的基础问题， 研究数据与模型结合的图像重构与分析方法， 以及相关的大规模优化问题的计算方法。该项目针对以下几个方面展开了研究：a) 基于变分模型多模态图像重建、融合与理论分析 b) 图像成像与数据科学中的凸可分、非凸优化问题随机算法及其理论分析 c) 图像恢复模型不确定性量化 d) 基于深度学习的图像重构模型。 提出了多模态图像重构的一般模型框架；提出了相关凸和非凸优化问题的随机主对偶算法以及收敛性分析；发展了针对图像恢复高斯噪音、泊松噪音下的不确定性量化模型； 基于深度学习，我们提出了在傅里叶域插值的可学习的插值滤波器的方法，在稀疏角度CT重构等问题取得了高质量高效率的重构结果。发表标注SCI/EI论文15篇，项目期间培养毕业了4名博士，毕业9名硕士，出站2名博后。