核心技术：隐式神经表达

隐式神经表达将医学图像表示为神经网络函数 $f_\theta: \mathbb{R}^d \rightarrow \mathbb{R}^n$，其中输入是空间坐标，输出是对应位置的图像强度或特征。这种表示方式具有以下优势：

• 连续性: 可以在任意分辨率下查询图像值，实现真正的分辨率无关表示
• 紧凑性: 网络参数通常远小于原始图像数据
• 可优化性: 可以直接优化以满足物理约束和数据一致性
• 灵活性: 易于与物理模型、先验知识和其他深度学习技术结合

研究方向

1. MRI/CT 图像重建

代表性工作：

• [IREM] Wu, Qing, et al. “IREM: High-resolution magnetic resonance image reconstruction via implicit neural representation.” MICCAI 2021. [Paper]

  • 首次将 INR 应用于 MRI 超分辨率重建，实现任意比例上采样

• [ArSSR] Wu, Qing, et al. “An arbitrary scale super-resolution approach for 3D MR images via implicit neural representation.” IEEE J-BHI 2023. [Paper]

  • 提出任意尺度超分辨率框架，单个模型支持任意上采样率

• [SCOPE] Wu, Qing, et al. “Self-supervised coordinate projection network for sparse-view computed tomography.” IEEE TCI 2023. [Paper] [Code]

  • 自监督稀疏视角 CT 重建，提出重投影策略提升重建稳定性

• [IMJENSE] Feng, Ruimin, et al. “IMJENSE: Scan-specific implicit representation for joint coil sensitivity and image estimation in parallel MRI.” IEEE TMI 2023. [Paper]

  • 联合估计线圈敏感度和图像的扫描特定 INR 方法，首次将 INR 应用于并行 MRI 重建

2. 运动校正与动态成像

代表性工作：

• [Moner] Wu, Qing, et al. “Moner: Motion correction in undersampled radial MRI with unsupervised neural representation.” ICLR 2025 (Spotlight). [Paper] [Code]

  • 无监督径向 MRI 运动校正，无需运动真值即可实现高质量重建

• [JSMoCo] Chen, Lixuan, et al. “JSMoCo: Joint coil sensitivity and motion correction in parallel MRI with a self-calibrating score-based diffusion model.” Medical Image Analysis 2025. [Paper] [Code]

  • 联合线圈敏感度估计和运动校正的自校准扩散模型

• [MoCo-INR] Tian, Xuanyu, et al. “Unsupervised motion-compensated decomposition for cardiac MRI reconstruction via neural representation.” AAAI 2026. [Paper] [Code]

  • 心脏 MRI 无监督运动补偿分解重建

3. INR 与扩散模型融合

代表性工作：

• [Spener] Tian, Xuanyu, et al. “Unsupervised self-prior embedding neural representation for iterative sparse-view CT reconstruction.” AAAI 2025. [Paper] [Code]

  • 自先验嵌入神经表达用于迭代稀疏视角 CT 重建

• [DPER] Du, Chenhe, et al. “DPER: Diffusion prior driven neural representation for limited angle and sparse view CT reconstruction.” arXiv 2024. [Paper]

  • 扩散先验驱动的神经表达用于有限角和稀疏视角 CT 重建，首次在医学成像中结合扩散模型与 INR

• [DiffINR] Chu, Jiayue, et al. “Highly accelerated MRI via implicit neural representation guided posterior sampling of diffusion models.” Medical Image Analysis.[Paper]

  • 基于隐式神经表达的扩散后验采样 MRI 重建

• [Zero-shot LF-MRI] Lin, Xiyue, et al. “Zero-shot low-field MRI enhancement via denoising diffusion driven neural representation.” MICCAI 2024 (Early Accept). [Paper]

  • 零样本低场 MRI 增强

4. 伪影去除

代表性工作：

• [Polyner] Wu, Qing, et al. “Unsupervised polychromatic neural representation for CT metal artifact reduction.” NeurIPS 2023. [Paper] [Code]

  • 多色 X 射线神经表达用于 CT 金属伪影去除

• [Riner] Wu, Qing, et al. “Unsupervised multi-parameter inverse solving for reducing ring artifacts in 3D X-ray CBCT.” AAAI 2026. [Paper] [Code]

  • 多参数逆问题求解用于 CBCT 环形伪影去除

5. 硬件加速与实时重建

代表性工作：

• [Energy-efficient Accelerator] Rao, Chaolin, et al. “An energy-efficient accelerator for medical image reconstruction from implicit neural representation.” IEEE TCAS-I 2023. [Paper]

  • INR 重建的高能效硬件加速器设计

• [Real-time Neural Representation] Li, Xin, et al. “A real-time neural representation via algorithm-hardware synergy for sparse-view CT reconstruction.” IEEE TNNLS 2025. [Paper]

  • 算法-硬件协同设计的实时神经表达 CT 重建

6. 其他应用

• [双平面 X 光重建] Lai, Shuyang, et al. “Reconstructing knee CT volumes from biplanar X-rays via self-supervised neural field.” IEEE ISBI 2024. [Paper]

• [温度场重建] Li, Xin, et al. “Accelerated 3D thermometry field reconstruction from tri-planar images via cross-view implicit representation.” IEEE ISBI 2025 (Oral). [Paper]

研究特色

1. 物理约束集成: 将 INR 与医学成像物理模型深度融合，确保重建结果符合物理规律
2. 无监督学习: 多数方法无需配对训练数据，适应性强
3. 扫描特定优化: 针对单次扫描进行优化，充分利用数据内在结构
4. 多模态适用: 可应用于 MRI、CT、X 光等多种成像模态
5. 硬件友好: 考虑实际部署需求，开发硬件加速方案

未来方向

• 探索更高效的 INR 架构（如 Hash Encoding、SIREN 等）
• 研究 INR 与 Transformer、Diffusion Model 等新型架构的结合
• 扩展到 4D（3D+时间）成像和多模态融合
• 推动 INR 方法的临床转化和实际应用

研究方向

1. 胎儿脑成像与重建

胎儿在 MRI 扫描过程中不可避免的运动导致图像质量严重下降。我们开发了一系列自监督深度学习方法，从运动损坏的 2D 切片中重建高质量的 3D 胎儿脑图像。

代表性工作：

• [SUFFICIENT] Wu, Jiangjie, et al. “3D isotropic high-resolution fetal brain MRI reconstruction from motion corrupted thick data based on physical-informed unsupervised learning.” IEEE J-BHI 2025. [Paper] [Code]

  • 基于物理模型的无监督学习框架，实现高分辨率各向同性胎儿脑 MRI 重建

• [SAFFRON] Wu, Jiangjie, et al. “SAFFRON: A physics-informed, label-free self-supervised deep learning framework for fast and accurate 3D fetal brain MRI reconstruction.” IEEE JSTSP 2025. [Paper]

  • 物理引导的无标签自监督深度学习框架

• [SVRMamba] Wu, Jiangjie, et al. “SVRMamba: Slice-to-volume reconstruction from multiple MRI stacks with slice sequence guided Mamba.” AAAI 2025. [Paper]

  • 基于 Mamba 架构的多堆栈 MRI 切片到体积重建

• [ASSURED] Wu, Jiangjie, et al. “ASSURED: A self-supervised deep decoder network for fetus brain MRI reconstruction.” IEEE ISBI 2023. [Paper]

  • 自监督深度解码器网络用于胎儿脑 MRI 重建

2. 脑图谱构建

构建准确的脑图谱对于理解脑发育模式、检测异常发育至关重要。我们开发了连续时空图谱构建方法，解决了传统离散时间点图谱的时间不一致性问题。

中国人群胎儿脑图谱：

• [FBA-Chinese] Wu, Jiangjie, et al. “Age-specific structural fetal brain atlases construction and cortical development quantification for Chinese population.” NeuroImage 2021. [Paper] [Atlas]

  • 首个中国人群特异性胎儿脑图谱（21-35 孕周）
  • 量化皮层厚度、表面积、脑沟回发育模式

• [Longitudinal Atlas] Wu, Jiangjie, et al. “Longitudinal Chinese population structural fetal brain atlases construction: toward precise fetal brain segmentation.” IEEE EMBC 2021. [Paper]

  • 纵向中国人群胎儿脑图谱构建

连续时空图谱：

• [COLLATOR] Chen, Lixuan, et al. “COLLATOR: Consistent spatial-temporal longitudinal atlas construction via implicit neural representation.” Medical Image Analysis 2025. [Paper] [Code]

  • 基于隐式神经表达的时空一致性纵向图谱构建
  • 实现真正连续的 4D（3D+时间）图谱表示

• [Continuous Fetal Atlas] Chen, Lixuan, et al. “Continuous longitudinal fetus brain atlas construction via implicit neural representation.” MICCAI Workshop PIPPI 2022 (Best Paper Honorable Mention). [Paper]

  • 首次将 INR 应用于纵向胎儿脑图谱构建

3. 深部脑核团成像与分割

深部脑核团（如基底神经节、丘脑核团等）与多种神经退行性疾病密切相关。精确分割和成像这些结构对疾病诊断和手术规划至关重要。

QSM 成像与分割：

• [DeepQSMSeg] Guan, Yonghang, et al. “DeepQSMSeg: A deep learning-based sub-cortical nucleus segmentation tool for quantitative susceptibility mapping.” IEEE EMBC 2021. [Paper]

  • 深度学习驱动的 QSM 深部脑核团自动分割工具

• [MuSus-100 Atlas] He, Chenyu, et al. “Quantitative susceptibility atlas construction in Montreal Neurological Institute space: towards histological-consistent iron-rich deep brain nucleus subregion identification.” Brain Structure and Function 2022. [Paper]

  • MNI 空间定量磁化率图谱构建
  • 首次在 MNI 空间定义组织学一致的丘脑核团分割（64 个亚区）

• [PPN Atlas] Li, Jun, et al. “Direct localization and delineation of human pedunculopontine nucleus based on a self-supervised magnetic resonance image super-resolution method.” Human Brain Mapping 2023. [Paper] [Atlas]

  • 人类脑桥脚核（PPN）高分辨率定位与描绘
  • 基于自监督超分辨率的精确分割

帕金森病应用：

• [HybraPD Atlas] Yu, Boliang, et al. “HybraPD atlas: Towards precise subcortical nuclei segmentation using multimodality medical images in patients with Parkinson disease.” Human Brain Mapping 2021. [Paper] [Code]
  • 多模态融合的帕金森病皮层下核团精准分割图谱

4. 脑皮层磁化率成像

脑皮层的磁化率反映了铁、髓磷脂等物质的分布，是研究脑发育和衰老的重要生物标志物。

代表性工作：

• [Laminar QSM] Wang, Xin, et al. “Imaging developmental trajectories of laminar magnetic susceptibility throughout adulthood in human brain cortex.” Human Brain Mapping 2025. [Paper]
  • 成人期脑皮层层状磁化率发育轨迹成像
  • 揭示皮层不同层次的铁沉积模式

5. 病理脑成像

COVID-19 肺炎研究：

• [Steroids Therapy] He, Jin-wei, et al. “Steroids therapy in patients with severe COVID-19: Association with decreasing of pneumonia fibrotic tissue volume.” Frontiers in Medicine 2022. [Paper]

  • 定量 CT 评估糖皮质激素治疗对重症 COVID-19 肺炎纤维化组织的影响

• [Compromised Lung Volume] Su, Ying, et al. “Usage of compromised lung volume in monitoring steroid therapy on severe COVID-19.” Respiratory Research 2022. [Paper]

  • 受损肺体积在监测糖皮质激素治疗中的应用

研究特色

1. 全生命周期覆盖: 从胎儿期到成人期的脑发育研究
2. 多模态融合: 结合 T1、T2、QSM、DTI 等多种成像模态
3. 中国人群特异性: 构建适合中国人群的脑图谱和标准
4. 深度学习与物理模型结合: 在网络设计中融入成像物理约束
5. 临床转化: 面向帕金森病、阿尔茨海默病等疾病的实际应用

未来方向

• 扩展至更多脑区和亚结构的精细分割
• 开发更高时空分辨率的动态脑功能成像技术
• 探索脑结构与功能、认知能力的关联
• 构建多中心、大样本的中国人群脑发育数据库
• 推动脑成像技术在神经外科手术导航中的应用

研究方向

1. 自监督 MRI 去噪

磁共振成像的信噪比（SNR）往往受到扫描时间、场强等因素的限制。我们开发了自监督去噪方法，无需干净的参考图像即可从噪声数据中学习去噪模型。

代表性工作：

• [Self-supervised MRI Denoising] Tian, Xuanyu, et al. “Self-supervised denoising for high-dimensional magnetic resonance image.” Biomedical Signal Processing and Control 2025. [Paper]

  • 高维 MRI 自监督去噪方法
  • 适用于多对比度、多通道 MRI 数据

• [Super-resolved Single Noisy MRI] Jiang, Changhao, et al. “Self-supervised high-dimensional magnetic resonance image denoising using super-resolved single noisy image.” IEEE ISBI 2023. [Paper]

  • 利用超分辨率策略增强自监督去噪性能
  • 单张噪声图像即可训练

2. 荧光显微镜去噪

荧光显微镜成像常常受到光子噪声和探测器噪声的影响，限制了时间分辨率和空间分辨率的提升。

代表性工作：

• [Noise2SR] Tian, Xuanyu, et al. “Noise2SR: Learning to denoise from super-resolved single noisy fluorescence image.” MICCAI 2022. [Paper]
  • 首次提出从超分辨的单张噪声图像学习去噪
  • 通过不同分辨率的噪声图像对训练，提升训练效率和去噪性能
  • 适用于实时荧光成像场景

3. 电子显微镜图像去噪

高分辨率电子显微镜（HREM）成像对于生物学、材料科学研究至关重要，但高分辨率往往伴随着低信噪比。

代表性工作：

• [ZS-Denoiser-HREM] Tian, Xuanyu, et al. “Zero-shot image denoising for high-resolution electron microscopy.” IEEE TCI 2024. [Paper] [Code]
  • 零样本电子显微镜图像去噪方法
  • 无需任何训练数据，直接对单张图像进行去噪
  • 显著提升 HREM 图像质量，保留精细结构

4. 低场 MRI 增强

便携式低场 MRI 系统具有低成本、无屏蔽、床旁诊断等优势，但图像质量受限于较低的信噪比。我们开发了零样本增强方法，将低场 MRI 图像提升到高场等效质量。

代表性工作：

• [Zero-shot LF-MRI Enhancement] Lin, Xiyue, et al. “Zero-shot low-field MRI enhancement via denoising diffusion driven neural representation.” MICCAI 2024 (Early Accept, Top 11%). [Paper]
  • 结合扩散模型和隐式神经表达的零样本低场 MRI 增强
  • 无需配对的高场-低场训练数据
  • 在模拟低场数据和临床低场数据上均取得优异性能

核心技术创新

1. Noise2SR 框架

传统自监督去噪方法（如 Noise2Noise、Noise2Void）存在训练效率低、去噪性能受限的问题。我们提出的 Noise2SR 框架通过以下创新解决这些问题：

• 多尺度训练: 利用不同分辨率的噪声图像对进行训练
• 超分辨率正则化: 将去噪问题与超分辨率问题联合优化
• 更高效的训练: 相比传统方法，训练速度提升 2-3 倍
• 更好的细节保留: 在去噪的同时恢复更多高频细节

2. 零样本去噪

零样本去噪无需任何训练数据，直接对单张噪声图像进行优化：

• 图像先验利用: 利用深度图像先验（DIP）或扩散模型先验
• 自适应性强: 对不同噪声水平、不同成像参数都能自适应
• 无需标注: 完全无监督，适用于缺乏训练数据的场景

3. 扩散模型驱动的增强

将扩散模型的生成先验与隐式神经表达的数据一致性约束相结合：

• 高质量先验: 扩散模型提供高质量的图像分布先验
• 数据保真: INR 确保增强后的图像与原始测量数据一致
• 迭代优化: 在先验和数据一致性之间迭代优化

应用场景

医学成像

• 低剂量 CT: 降低辐射剂量的同时保持图像质量
• 快速 MRI: 减少扫描时间，提升患者舒适度
• 便携式成像: 低场 MRI、便携 CT 等设备的图像增强

生物医学研究

• 活细胞成像: 降低光毒性，延长观测时间
• 超分辨率显微镜: 提升时间分辨率，观测快速动态过程
• 电子显微镜: 提升图像质量，观测精细结构

研究特色

1. 无需配对数据: 大部分方法无需干净-噪声图像对，降低数据获取成本
2. 单图像训练: 某些方法仅需单张噪声图像即可实现去噪
3. 跨模态通用: 方法可应用于多种成像模态
4. 实时处理: 某些方法训练效率高，适合实时成像应用
5. 保留细节: 在去噪的同时最大程度保留图像细节和纹理

未来方向

• 探索更高效的自监督学习框架
• 研究内容感知的去噪方法（根据解剖结构调整去噪强度）
• 开发面向特定疾病诊断的任务导向去噪方法
• 扩展到 3D 和 4D（时序）图像去噪
• 研究去噪与其他图像增强任务（如超分辨率、对比度增强）的联合优化
• 推动去噪技术在临床工作流中的集成应用

研究方向

1. 头面部参数化建模

头面部的精确建模对于正颌外科、颅颌面整形、面部动画等应用至关重要。我们开发了骨骼一致的头面部参数化模型，将内部颅骨结构与外部面部形态相关联。

代表性工作：

• [SCULPTOR] Qiu, Zesong, et al. “SCULPTOR: Skeleton-consistent face creation using a learned parametric generator.” SIGGRAPH Asia 2022. [Paper] [Code]
  • 首个骨骼一致的参数化面部生成器
  • LUCY 数据集: 72 名受试者正颌手术前后的完整头部 CT 扫描（共 144 次扫描）
  • 联合建模颅骨、面部几何和面部外观
  • 分离 shape blend shape、pose blend shape 和 facial expression blend shape
  • 应用：考古颅骨面部复原、骨骼感知角色融合、从图像推断颅骨、脂肪水平变化的面部生成、面部动画

临床应用：

• [Orthognathic Surgery Planning] Yang, Jiawen, et al. “Blending parametric model and neural refinement: A coarse-to-fine approach for predicting facial changes in orthognathic surgery.” IEEE ISBI 2025. [Paper]

  • 参数化模型与神经网络融合的正颌手术面部变化预测
  • 粗到细的预测策略：参数模型提供全局约束，神经网络精细化局部细节
  • 可用于术前规划和术后效果预测

• [NICE] Yang, Jiawen, et al. “NICE: Neural implicit craniofacial model for orthognathic surgery prediction.” AAAI 2026. [Paper] [Code]

  • 神经隐式颅面模型用于正颌手术预测
  • 更灵活的隐式表示，适应复杂的手术变形

2. 手部参数化建模

手是人体最精细、最复杂的运动器官之一，包含 27 块骨骼、30 多块肌肉和大量肌腱。精确的手部建模对于元宇宙应用、手势识别、人机交互等至关重要。

代表性工作：

• [NIMBLE] Li, Yuwei, et al. “NIMBLE: A non-rigid hand model with bones and muscles.” SIGGRAPH 2022. [Paper] [Code]
  • 首个包含骨骼、肌肉、肌腱和皮肤的完整手部参数化模型
  • 基于 MRI-Hand 数据集 的多主体、多姿态高分辨率 MRI 扫描
  • 组成部分：
    • 20 块骨骼（三角网格）
    • 7 组肌肉（四面体网格）
    • 皮肤网格
  • 通过迭代形状配准和参数学习，生成 shape blend shapes、pose blend shapes 和关节回归器
  • 应用：
    • 建模：以前所未有的真实感将 3D 手部动画到新姿态
    • 渲染：结合光度 HandStage 获取高质量纹理和法线图，模拟皱纹和掌纹
    • 视觉推理：通过合成丰富数据或作为推理网络的可微层，增强手部姿态和形状估计

3. 病理分析与可视化

全切片图像分析：

• [NAGCN] Guan, Yonghang, et al. “Node-aligned graph convolutional network for whole-slide image representation and classification.” CVPR 2022 (Oral). [Paper] [Code]
  • 节点对齐的图卷积网络用于全切片病理图像分类
  • 解决跨切片 patch 对应问题，保留结构和上下文信息
  • 层次化全局-局部聚类策略
  • 应用于癌症亚型分类

核心技术创新

1. 医学影像引导的参数化建模

传统方法的局限：

• 仅关注外部形状和纹理
• 忽略内部骨骼结构与外观的关联
• 缺乏生物力学约束

我们的创新：

• 多模态数据融合: 结合 CT（骨骼）和表面扫描（皮肤）数据
• 解剖学约束: 确保骨骼和软组织的解剖学合理性
• 生物力学模型: 模拟肌肉收缩、皮肤变形等生物力学过程
• 统计形状模型: 从大规模数据学习形状变化的统计规律

2. 形状配准与参数学习

配准流程：

1. 构建高质量的模板模型（包含骨骼、肌肉、皮肤）
2. 将模板配准到个体扫描数据
3. 提取形状参数和姿态参数
4. 学习 blend shapes 和关节回归器

关键技术：

• 非刚性配准算法
• 拓扑一致性保持
• 多分辨率优化策略
• 正则化约束（如平滑性、对称性）

3. 手术模拟与预测

正颌手术预测：

• 输入：术前 CT 扫描 + 手术方案（骨骼移动量）
• 输出：术后面部形态预测
• 方法：
  1. 参数化模型提供全局变形约束
  2. 神经网络学习骨骼-软组织映射关系
  3. 精细化局部细节（如皱纹、肌肉凸起）

应用场景

医疗应用

1. 手术规划: 正颌外科、颅颌面整形、深部脑刺激手术
2. 术后效果预测: 帮助患者理解手术预期效果
3. 个性化植入物设计: 根据患者解剖结构定制植入物
4. 医学教育与培训: VR/AR 手术模拟和训练

计算机图形学应用

1. 数字人类: 高真实度的虚拟角色创建
2. 面部动画: 电影、游戏中的面部表情动画
3. 手势识别与交互: VR/AR 中的自然手部交互
4. 虚拟试妆/试戴: 化妆品、眼镜、珠宝等虚拟试用

考古与法医应用

1. 面部复原: 从古代颅骨重建面部形态
2. 身份识别: 法医面部重建辅助身份识别

数据集贡献

LUCY Dataset (Large-scale craniofacial CT dataset)

• 内容: 72 名受试者正颌手术前后的完整头部 CT 扫描
• 规模: 144 次高质量 CT 扫描
• 标注: 颅骨分割、面部标注
• 应用: 面部参数化建模、手术效果预测

MRI-Hand Dataset

• 内容: 多主体、多姿态的高分辨率手部 MRI 扫描
• 标注: 骨骼、肌肉、肌腱、皮肤分割
• 应用: 手部参数化建模、生物力学分析

研究特色

1. 解剖学一致性: 模型严格遵循人体解剖学结构
2. 生物力学约束: 整合肌肉、肌腱等软组织的生物力学特性
3. 医工结合: 与整形外科医生深度合作，确保临床实用性
4. 数据驱动: 基于大规模医学影像数据学习统计模型
5. 端到端可微: 模型可作为深度学习网络的可微模块

未来方向

• 扩展到更多人体部位（如脊柱、膝关节等）
• 整合更多生物力学约束（如肌肉力学、软组织黏弹性）
• 开发实时手术导航系统
• 研究从视频/照片重建三维解剖模型
• 构建包含病理变异的统计形状模型
• 推动参数化模型在临床决策支持系统中的应用