2025-10-29
各学院(部)：
为更好开展新工科毕设项目，提升项目质量和水平，“面向智慧医疗的低剂量CT成像与自动诊断系统研究”新工科毕业设计项目现面向全校教师和毕业班学生进行招募。现将有关事项通知如下。
一、项目背景、目的及意义
随着半导体、光电器件、数字计算及医学影像技术的快速发展与交叉融合，作为非侵入式医疗成像的代表性技术，当前低剂量能谱CT成像因安全性与诊断效能的双重优势，已成为医学影像领域的研究热点，推动影像诊断向“精准、安全、高分辨率”方向持续发展。本项目将探索能谱CT投影采样与数据恢复及成像重建的感算协同技术，以消除X射线剂量降低对成像质量的影响，结合人工智能技术，提升低剂量条件下能谱CT在物质鉴别、疾病诊断等方面的准确性。
二、项目已具备的条件
相关教研团队长期专注于CT探测与成像、图像感知与计算方面的研究，在X射线能谱探测、CT图像重建、多模态图像分割与融合、人工智能辅助诊断、深度学习计算等方面有深入研究，与美国伦斯勒理工学院（RPI）的生物医学影像中心等建立了长期合作关系。拥有完善的半导体传感器器件设计和高性能仿真分析环境，包括高性能服务器、EDA工具软件、探测器和工艺仿真软件、医学影像数据集、探测器模型等。
三、项目期限与目标
整个项目拟安排从2025年12月-2026年5月，约6个月时间，本科生毕业答辩之前完成项目，目标是开发一套面向医学CT的感算协同式低剂量成像与自动诊断系统。具体目标包括：
（1）低剂量X射线探测器建模与信号读出技术：通过建模提高探测器在低剂量条件下的灵敏度，增强信号读出的准确性，减少噪声干扰。
（2）高质量CT影像重建：利用感算协同技术，优化CT影像重建算法，解决采样数据缺失问题，提高重建图像的质量。
（3）能谱CT的基物质分解：研究基于半监督学习的多教师-助教-学生的网络结构，充分发掘能谱间相关性，抑制低剂量噪声提升物质分解精度。
（4）精准影像分割与自动诊断：开发先进的影像分割算法，提高分割的准确性，并结合自动诊断技术，实现疾病的快速、精准诊断。
四、项目主要方向及任务
项目拟研究利用感算协同技术解决降低剂量X射线探测信噪比低、采样数据缺失、CT重建质量不高、分割不准确等问题。项目拟突破当前医学CT的低剂量探测和高质量成像的技术瓶颈，在探测灵敏度增强、感算协同影像重建、噪声伪影抑制、自动诊断等方面进行攻关，形成面向医学CT的感算协同式低剂量成像与自动诊断系统。具体任务如下：
（1）面向医学成像的低剂量X射线探测器结构研究
当X射线入射到硅等半导体材料时，由于光电效应、康普顿散射效应等相互作用，不同能量X射线光子将在不同深度中被吸收。为实现极低剂量下医用X射线的能谱探测，此任务拟研究一种分层式X射线探测器结构，基于半导体材料对X射线的吸收特性及衰减规律，研究基于电荷耦合机制的电荷包转移时序控制方法，设计高强电场下电荷循环倍增器件结构，研究低噪声信号读出技术。
（2）基于感算协同的低剂量CT影像重建技术研究
在CT扫描过程中，稀疏投影可以有效降低辐射剂量。针对不同体征、解剖结构、BMI阈值及物质组成等进行特定分布的非均匀稀疏投影采样，结合先进的图像重建算法，有助于在降低辐射剂量的同时获得更丰富的组织信息。此课题拟在稀疏投影低剂量CT的采样和数据补全中，构建基于目标体征驱动的非均匀稀疏采样策略，并协同设计自适应数据重建模型，以解决因减少投影次数导致的数据恢复质量低等问题，重建出高质量的CT影像。
（3）基于半监督学习的能谱CT物质分解技术研究
稀疏投影能谱CT技术虽有效降低了辐射剂量，但是同时也损失了部分投影信息，影响了后续的物质分解的质量。此任务拟聚焦于在探测中的投影角度分布、灵敏度分布等信息，结合各能量箱的相关性，构建一种半监督学习策略。深入分析能谱CT成像原理及物质分解的算法机理，构建半监督学习框架，利用少量标注数据和大量未标注数据训练模型，以提高物质分解的准确性和鲁棒性；设计并实现高效的半监督学习算法，通过对比学习、伪标签生成等方法优化模型性能；为能谱CT在临床诊断中的应用提供技术支持。
（4）基于多任务学习的精准影像分割与自动诊断技术研究
高质量的医学影像分割是自动诊断的关键基础，但在低剂量成像条件下，图像对比度下降、噪声增强、组织边界模糊，严重影响了分割与诊断的准确性。本任务拟基于多任务深度学习框架，联合考虑影像分割与病灶识别任务之间的关联性，构建面向医学CT的精准分割与智能诊断模型，实现低剂量条件下疾病特征的稳健提取与辅助决策包括基于注意力机制的分割网络设计、结合可解释性分析模块，增强模型的临床可解释性与可信度、对病变区域进行自动分割与辅助诊断，验证模型在低剂量条件下的稳健性与诊断准确率提升效果等。
五、招募要求：
拟招募选题学生的专业：微电子学院、医学院、智算学部相关专业的本科生。
六、报名及联系方式：
相关课题细节以及其他未尽事宜请咨询项目组联系人。
微电子学院：史再峰 shizaifeng@tju.edu.cn 高静 gaojing@tju.edu.cn
医学院：吕良福 liangfulv@tju.edu.cn
智算学部：罗韬 luo_tao@tju.edu.cn
欢迎各位同学踊跃报名，期待你的加入！
