报告人：雷鹏程
报告地点：腾讯线上会议ID：559-214-391
报告时间：2025年11月20日（星期四）13:30-14:30
邀请人：刘俊
报告摘要：
雷鹏程，河南大学人工智能学院助理教授，主要研究方向为计算机视觉、图像处理、医学影像处理与分析等。博士毕业于华东师范大学计算机应用技术专业，博士期间入选首届中国科协青年托举工程博士生专项计划，获博士生国家奖学金、上海市优秀毕业生等荣誉称号。以第一作者在国际顶级期刊IEEE TIP、TMI、TMM和CVPR、ICCV、IJCAI等国际顶级会议上发表论文10余篇，获国际医学成像会议IEEE ISBI 2025最佳论文奖。参与多项国家重点研发计划、国家自然科学基金等项目。担任 IEEE TIP、TMM、Information Fusion等期刊审稿人。
主讲人简介：
磁共振（Magnetic Resonance, MR）成像是一种无创、无电离辐射的医学成像 技术，在临床医学诊断和疾病分期中得到了广泛应用。然而，由于物理和生理因素等影响，实现快速获取高质量的 MR 影像仍然面临诸多挑战。在 MR 扫描过程中，通常会同时采集具有相同解剖结构但对比度不同的图像。因此，可以利用一种对比度的图像辅助重建或增强另一种对比度的图像，即多对比度 MR 重建与超分辨率增强技术。近年来，随着大规模数据的积累和深度学习技术的发展，基于深度卷 积神经网络的多对比度 MR 重建与增强技术取得了显著进展。然而，该领域仍然 面临诸多亟待解决的问题。1) 现有深度模型类似于黑盒子，未能准确建模多对比度 MR 图像之间的关系，导致信息融合效果受限。2) 由于患者在扫描过程中可能发生不自主运动（如呼吸、心跳等），临床采集的多对比度图像可能存在空间不对齐的问题，而多数现有方法忽略了空间不对齐对重建及增强结果的影响。3) 现有的多对比度重建方法通常基于预设的欠采样模式对目标图像进行欠采样，这种方式可能在多对比度图像之间引入冗余信息，从而限制模型的重建性能和加速潜力。针对上述问题，本报告将介绍四种知识与数据驱动的多对比度 MR 重建与增强算法，以提升模型的可解释性、泛化性能和重建性能。
学校主页