庄吓海老师课题组主要从事可解释人工智能和医学图像分析研究，包含图像处理、深度学习、统计学习技术等。庄吓海老师课题组将其开发的算法应用于实际医学问题，包括心脏磁共振成像中的心肌病变检测、多靶标定位以及左心房和疤痕的联合分割和量化等。

庄吓海老师在国际顶尖期刊上和会议上发表论文一百余篇；担任Med Image Anal、IEEE TMI、Neural Networks等中科院一区期刊的编委；2023年获得爱思唯尔出版社、医学影像分析期刊和国际MICCAI学会联合颁发论文最高奖。

项目领域

医学影像，图像处理，大数据分析等

项目名称

用“可解释化”解释图像

项目背景

图像可解释化技术背景是当今深度学习和人工智能领域中的一个重要研究方向，旨在使复杂的图像处理模型的决策过程对人类更加透明和易于理解。目前图像可解释化技术已经在多个领域得到应用。例如在医学影像分析中，可解释性帮助医生理解AI的诊断依据，从而提高诊断的可信度；在自动驾驶中，使系统工程师能够理解自动驾驶系统的决策，从而提升系统安全性；在安防监控，帮助分析和解释监控系统的异常检测和识别结果。图像可解释化技术虽然本身不直接用于提高图像分辨率，但可以与提高分辨率的技术结合使用，以增强结果的可解释性和可信度。

项目内容

课题组开发了多种算法来解释深度神经网络的内部机制，帮助识别和可视化模型对输入图像不同部分的关注点。这些技术不仅提高了模型的可解释性，还能揭示模型在处理过程中可能存在的偏差和错误，从而有助于模型的优化和改进。接着利用可解释配准融合将可解释化模型应用于图像超分上，通过显式建模、多层级贝叶斯和深度学习等技术，实现了图像细节的高质量重建。团队的工作包括基于多尺度特征融合和递归神经网络的超分辨率重建方法，这些方法能够有效地处理复杂的图像内容，例如将现有的图像进行去噪，加强清晰度，当图像放大时修正图像错误的部分，生成高分辨率图像，补足现有图像放大后伪影及/或噪声，提高重建图像的清晰度和细节表现。

课题组不仅专注于理论研究，还注重将这些技术应用于实际场景。例如，在医学影像处理中，图像超分辨率技术能够提升医学影像的分辨率，从而帮助医生更准确地进行诊断。目前已经完成模型建立，将运算时间从1分钟缩短到几秒钟。本项目相关技术已获授权中国发明专利。

项目总结

综上所述，本项目是医学影像可解释人工智能分析和图像超分辨率领域的研究，不仅推进了图像处理相关技术的发展，还为实际应用提供了强有力的技术支持。本项目成果在多个行业中具有应用前景，有望推动相关领域的技术进步和应用创新。