讲座回顾

讲座1：医学图像语义分割新技术研究

讲座2：基于深度学习的手术视频流程识别

主讲人简介

房斌，重庆大学计算机学院教授、博士生导师，“模式识别与信息处理研究所”所长。主要研究方向为：人工智能、计算机视觉、模式识别，医学图像处理等。IEEE Senior Member，重庆市巴渝学者，教育部新世纪优秀人才。SCI国际期刊《IJPRAI》副主编，SCI国际期刊《MPE》特邀编委。重庆市政协委员，重庆市数字医学学会副理事长，重庆市认知科学学会秘书长。“可信计算”教育部重点实验室学术带头人、“软件理论与技术”重庆市重点实验室学术带头人。获教育部自然科学奖一等奖1项，重庆市自然科学奖二等奖2项。承担国家科技部973项目、科技部支撑计划项目、基金委自然科学基金等重要课题30余项。发表SCI论文200余篇。获得授权发明专利10余项。

讲座一主要内容

脑部脉络丛图像语义分割是重要的组织结构识别方法，虽为神经影像分析提供关键定位信息，但因图像复杂、标注模糊，存在分割精度与效率低的问题，易导致细微结构识别不全或边界不清。这一技术缺陷直接导致在自动化、高精度分割脑部脉络丛精细结构时数据可靠性下降，长期应用数据显示，传统语义分割算法在脉络丛分割中的准确性与鲁棒性远不及理想状态。

研究发现，基于人工标注的训练数据在复杂场景下存在显著局限：边界模糊区域易受主观判断影响，导致细小结构漏分、背景误分，在算法训练中引入系统性偏差。而高质量的脉络丛分割需平衡模型复杂度、标注精度与泛化能力。这为算法优化指明方向：开发更具判别力、能捕捉结构先验的智能算法，可有效减少分割误差，提升结果可信度。

为突破传统语义分割方法的局限性，房斌教授团队创新性地开发了脑部脉络丛智能分割算法，这一突破不仅解决了脉络丛分割中精度与泛化能力的核心问题，更在医学图像分割领域开辟了全新范式。该研究的重要意义体现在多个维度：一是通过基于多尺度特征融合与结构约束的优化策略将分割的精度和效率优势有机结合，首次实现了深度学习架构与解剖学先验知识的深度协同，为脑部脉络丛的自动化、精细化识别提供了创新模板；二是利用脉络丛空间分布与形态学特征作为强先验约束的分割策略，突破了传统算法简单依赖像素级标注的局限，从算法层面实现了分割结果（边界贴合度、细小结构完整性、抗噪声干扰能力）的级联提升。这一创新不仅显著提升了脉络丛分割的临床实用价值，更为医学影像的智能结构解析提供了全新的研究思路和解决方案，对推动神经科学研究和相关疾病诊疗具有重要影响。

讲座二主要内容

手术视频智能分析是临床诊疗与手术培训的关键技术，但其在动态手术场景中的精准分析常受限于组织起雾、血液遮挡和动态模糊导致的视频质量下降。这些干扰因素造成关键信息（如器械-组织交互、关键解剖结构）丢失或失真，严重影响了复杂手术场景下分析的鲁棒性和深度。

研究发现，模糊、低对比度视频中残留的有效信息具有独特模式，但易被噪声掩盖和结构扭曲，导致细节特征与语义信息快速退化。这揭示了提升分析能力的关键在于突破对原始视频质量的依赖。为此，房斌教授团队创新开发了手术视频去雾智能分析技术。该技术核心在于利用基于多尺度特征融合与物理模型引导的去雾增强算法，显著提升手术视频的清晰度。通过有效抑制雾气、血污等干扰，原本被掩盖的关键细节得以清晰呈现。同时，该技术充分利用手术场景的时空连续性与解剖结构先验知识作为约束，突破了传统算法仅依赖像素清晰度的局限。这一突破性进展解决了手术视频智能分析中信息损失的核心问题，带来了级联提升：一是图像更清晰，有效去除雾气、血污遮挡，显著改善视频质量；二是分析更精准，清晰的图像大幅提升了关键步骤识别（如器械操作、解剖结构定位）的完整性和准确性；三是算法鲁棒性更强，在复杂干扰环境下，分析结果的抗干扰性和时序一致性得到显著增强；四是效率与实用性提升，为手术全流程的高精度实时智能分析提供了更可靠的基础。该技术不仅显著提升了手术视频智能分析的临床实用价值，为手术导航与术后评估提供了新思路，更在计算机辅助手术领域开辟了全新范式，对推动精准外科与智能化手术发展具有重要影响。

讲座3：活细胞超分辨率显微成像

主讲人简介

范骏超，重庆邮电大学副教授、博士生导师，重庆市巴渝学者青年学者。主要从事多模态图像感知与表征研究，成果应用于生物医学图像分析及图像融合等领域。以（共同）第一作者或通信作者在Nature Biotechnology、Nature Communications等高水平期刊发表论文十余篇。主持科技部重点研发课题1项、国家自然科学基金青年项目1项、省部级项目3项，参与国家自然科学基金原创探索项目1项，获授权国家发明专利2项。所发展的海森结构光照明荧光显微镜是当前成像速度最快和最灵敏的活细胞超分辨成像技术，达到世界领先水平，获得过2018年度“中国光学十大进展”等科研奖项。

讲座三主要内容

光照明荧光显微镜（Fluorescence Light Microscopy）是生物医学研究中常用的光学成像手段，能提供关键信息。但在活细胞超分辨成像时，受光毒性和光漂白效应影响，成像时间与分辨率受限，导致活细胞动态过程观测不完整或失真，成为技术应用的关键瓶颈。这一技术缺陷致使长时间、高分辨率观测活细胞细胞器动力学等精细结构时数据质量下降。长期应用数据显示，传统超分辨技术在活细胞成像的持续观测能力与信息揭示深度上，与理想状态存在显著差距。

研究发现，高剂量光照作用下存活的细胞会表现出独特的生物学响应。这些细胞在强光刺激下会激活光损伤应激通路，表现为荧光蛋白的快速淬灭和细胞活力的下降，这标志着细胞内发生了广泛的光化学损伤。正常情况下，活细胞成像需要平衡光照强度、曝光时间与分辨率。这一发现为成像技术优化提供了重要契机——通过开发更低光子需求、更高灵敏度的成像算法，可有效抑制光损伤效应，并延长活细胞的可观测窗口。

为突破传统光照明技术的局限性，范骏超教授团队创新性地开发了海森结构光照明荧光显微镜（Hessian-SIM），这一突破不仅解决了超分辨活细胞成像中光毒性与速度的核心问题，更在生物医学显微成像领域开辟了全新范式。该研究的重要意义体现在多个维度：一是通过基于Hessian矩阵的反卷积算法将超分辨成像的灵敏度和速度优势有机结合，首次实现了计算光学与人工智能算法的深度协同，为活细胞长时程、高分辨率成像提供了创新模板；二是利用生物结构空间连续性作为先验知识的重建策略，突破了传统算法简单依赖光子数量的局限，从算法层面实现了图像质量（分辨率、信噪比、抗伪影能力）的级联提升；三是该技术路径具有卓越的性能表现：仅需不到传统结构光照明显微镜（SIM）10%的光子剂量即可获得伪影最小化的超分辨图像（88 nm分辨率），同时时间分辨率高达188 Hz；其高灵敏度支持使用亚毫秒级脉冲激发结合长暗恢复时间，显著减少光漂白，实现了对活细胞中精细结构（如肌动蛋白丝）长达一小时的延时超分辨成像，并能清晰解析线粒体嵴的动态结构变化。这一创新不仅显著提升了超分辨显微成像的活体应用能力，更为活细胞超分辨显微技术提供了全新的研究思路和解决方案，对推动生命科学动态观测研究具有重要意义。