2025年12月13日，备受关注的“2025年度中国医学人工智能代表性算法”评选结果揭晓，av解说 /磁共振国家工程中心联合上海科技大学共同提出的《基于隐式神经表达的通用AI医学成像平台》成功入选。中国医学人工智能代表性算法每年评选一次，每年仅认定不超过三项代表性算法，由拥有法人资质的单位或相关领域的专业权威提名。本届评选由中国生物医学工程学会医学人工智能分会、中国工业与应用数学学会数学与医学交叉学科专业委员会、数学图像联联合主办，由同行专家组成评审团队进行首轮评审，申请团队答辩等环节，最终结果获得全国科学技术名词审定委员会医学人工智能名词审定委员会的审批通过。
2025中国医学人工智能大会在苏州举行，颁奖仪式由孔德兴教授主持，副主席万遂人教授为魏红江颁发荣誉证书。
“基于隐式神经表达的通用AI医学成像平台”介绍：
一、 背景与意义
医学影像（如CT、MRI、超声等）在临床诊断、生命科学中具有重要价值，但仍面临分辨率低、成像速度慢、噪声与伪影等多重挑战。传统监督式深度学习依赖大量标注数据，泛化能力弱，难以广泛落地。团队提出基于无监督隐式神经表达（INR）的通用AI医学成像平台，旨在构建一种物理模型驱动的无监督新型成像范式，无需考虑现有深度学习在影像重建中的泛化性不足的难题，推动医学影像的智能化发展。
二、 主要科学贡献
将成像物理过程嵌入到一个无监督的隐式神经表达神经网络，用一个统一的算法范式解决多种成像挑战：
1. 通用加速与超分辨：通过连续隐式函数表达图像，引入模型天然平滑先验，从50倍欠采样动态MRI数据或20倍稀疏CT投影中重建高保真图像，实现“从少到多”的跨模态重建能力。
2. 通用噪声与伪影抑制：基于物理前向模型，有效克服MRI混叠伪影、CT金属伪影及超声杂波畸变，有效提升信噪比高达10倍以上。
3. 通用无监督学习：摆脱对成对高质量参考数据的依赖，仅原始单个不完备测量数据完成重建，具备跨设备、跨场景的强大泛化能力。
三、 学术价值与推广应用
研究成果发表于Science Advances，Medical Image Analysis、IEEE Trans Medical Imaging、ICLR、AAAI、NeurIPS、MICCAI等期刊和国际顶会，并获得多项授权专利，已与本土影像企业合作并在平台完成部署，在多家三家医院开展临床试验研究。通过成像加速与质量的双重提升，有效大幅提高医疗效率、减低设备成本和辐射风险，有助于提升基层医疗的影像服务能力。同时，为脑科学研究、脑疾病疗效监测与智能诊疗等前沿领域提供了关键技术支撑，推动中国精准医疗与智能制造的协同发展。
交大主页
