一、   生物医学成像关键技术

    CT及PET影像重建算法

影像重建算法是CT及PET成像设备的核心技术之一，学院长期以来在该方向有深入的研究，包括低剂量迭代重建、多能谱扫描数据重建等，并且研究算法已经应用于齿科CT及PET中。

CT的发展方向为扫描层数的不断增加和能量成像的引入，其研发核心都是围绕着数据采集，处理和重建环节，其中海量数据的需求带来了数据噪声控制的难度，临床环节对扫描的需求增长带来了低剂量方面的无止境追求，而紧密关联着影像质量的图像重建与优化技术更是CT发展中需要重点关注的技术内容。

该方向重点研究低噪声高信噪比数据采集，高速数据压缩及通信，迭代重建及优化，非一致射线的能谱成像以及基于统计的多能重建等关键技术问题。

    多能谱CT探测器

多能谱CT(Multi-energy/spectralCT)能够充分利用X射线的能谱信息，有效地提高图像质量，获得物质成分信息，增强软组织对比度，全方位提升CT的成像质量，是未来X射线成像发展的趋势。能谱CT实现了CT成像技术质的飞跃，把能量分辨率和化学分辨率的概念首次引入CT成像范畴，具有划时代的意义。

多能探测器是多能谱CT的关键部件。与传统的电荷积分型X射线探测器相比，多能探测器必须拥有更大的动态范围、更快的读出速率和能量分辨能力。多能探测器一次成像可以获得多幅X射线图像，分别获得不同能量区域内的光子衰减信息，其结构如下图所示：

多能探测器对硬件和软件开发环境要求较高，该研究方向主要围绕多能探测，重点解决高探测效率的闪烁晶体、高速微弱快信号前端电子、多能数据校正等瓶颈问题。

一、   智能生物医学影像处理与分析

    基于影像组学的癌症（肿瘤）定量分析与评估

医学影像在癌症的检测、诊断和治疗中起到不可替代的重要作用。研究表明，影像表型特征与生物基因型特征有很强的相关性。目前的临床实践中，由于肿瘤特征的多变性，医生之间主观读片的差异性，对于肿瘤治疗效果评估的国际标准的不准确性，导致医学图像的定性分析和判断遗漏了大量有用的肿瘤内在特性，其结果也就极大的降低了先进医学影像设备中医学临床实践中的使用价值和效能。为了解决这一医学临床实践中的难题，定量化的医学图像分析吸引了越来越多的科学研究。

肿瘤的定量分析与评估

该方向基于影像组学进行癌症（肿瘤）防诊治方案的精准化研究。针对乳腺癌、肺癌等癌症风险评估、早期诊断以及预后评估在影像学上的需求，重点研究和优化计算机辅助诊断程序，实现多模态影像更准确的图像分割，完成基于多模态影像的肿瘤或病变区域以及周围组织的多维图像特征（包括型态学，纹理学和密度的不均匀性等特征）计算；结合生物基因特征，综合分析能够反映生物基因特征的多模态影像表型特征，通过应用深度学习（Deep Learning）理论和方法对影像特征进行优化选取，建立以人工智能为基础的分辨器，构建基于这些不同模态影像特征参数的癌症早期诊断或近期发病风险预测模型，进而帮助寻找与癌症精准预测、早期诊断、分类分型及预后判断相关的影像组学特征谱，并实现更为精确和精细的疾病分类、分型，为患者精确诊断和精确治疗的标准化提供依据。

    心脑血管疾病定量分析及评估

心脑血管疾病的临床诊断中，除血管的解剖结构外，其功能参数对心脑血管疾病的诊断至关重要，而这些参数无法通过对影像的直接观察获取。目前，临床应用中尚无法满足对于组织及器官功能参数深入的定量分析处理，不能对疾病的诊断和治疗提供更为准确、深入的支持。

CT和MRI影像中的定量分析

该方向针对心脑血管疾病专病队列，重点解决多级血管结构提取与定量分析，心脑结构形态学的分割与定量描述，血管结构中血流动力学参数测定，脑局部区域氧代谢指标测量，血管渗透性的定量表征参数测量，氧饱和度测量与关联分析，脑局部区域氧代谢指标测量以及缺血半暗带定位及脑出血转化预测分析等技术问题，并基于上述定量分析参数构建心脑血管疾病的精准医学知识库。在此基础上，实现组织的纤维、脂质、钙化、坏死成份、炎性成份等的定性分辨以及缺血性脑卒中患者发生脑出血转化的可能性预测等重要高端医疗影像临床辅助应用。