针对当前因部分医学图像成像干扰大、多中心数据一致性差、小样本、弱标注或标注不足、缺少合适的决策路径导致的“基于图像的智能诊断筛查在多中心跨地域的落地应用难”这一瓶颈，将半监督学习、多尺度特征和语义信息提取、特征关系驱动等精巧融入基于图像的诊断筛查中，设计了一系列新的方法并解决了相应医学图像诊断/筛查的问题，并突破关键技术壁垒研制基于图像智能的高可靠Time-Lapse胚胎培养箱，打破了欧美澳等国外厂商对中国市场的标准和技术的垄断。

（1）结合临床场景开展智能方法创新和医疗数据融合分析。利用眼部图像和其它补充数据，针对青光眼、糖网等开展筛查取得良好效果（AAAI 2021、IJCIA 2022）；并开发半自动标注工具对数万例病情进行高效的标记工作。提出创新的血管约束网络，提出同时输出视网膜血管分割和动/静脉分类的并联特征图，实现了视网膜动脉和静脉血管的高效快速识别分类，发现眼底彩照与心脑血管病的相关指标（如直接胆红素、总胆固醇、高/低密度脂蛋白等）的密切关系，并设计识别系统（与同仁医院和北京市眼科研究所申获卫健委体系内项目）。提出“数据+模型”双驱动策略，基于眼底彩照对全身系统疾病（糖尿病、动脉硬化、高血压、慢性肾病等）开展横断面筛查和队列预测的关联研究，多中心验证效果良好（IEEE JBHI 2022、Front. Cell Dev. Biol. 2021）；在同仁医院、开滦总医院成功开展应用推广（ZL201910849327.9、ZL202011450625.X）。

（2）医学图像分割算法创新。在多模态结构核磁图像上，模型算法设计和三维图像分割在公开数据比赛取得前两名（曾第一），包括：灰、白质和脑脊液分割；海马、海马亚区的分割；提出SAU-Net实现对脊椎图像的自动分割；在多个独立测试集检验达到很高水平，创新方法独立测试多项指标超过已发表最好结果（IEEE ISBI 2020，MIDL 2020）。还基于CT图像和较少标注数据，设计探索高效的新冠肺炎（COVID-19）识别和感染区域分割的新方法，提出通过特征关系驱动的学习方法构建模型，通过 从非新冠的肺部数据中提取出肺部病理组织的共有特征 辅助新冠任务的分割。该方法在缺乏标注的情况下展现出良好的分割与识别性能，更符合实际临床应用环境，在实现对COVID-19的评估和量化分析中发挥很大作用（研发产品在江苏和安徽合肥应用得到临床好评；IEEE JBHI 2021）。开展胎儿超声心动图四腔心切面分割研究，基于心脏组织的高度约束性，设计新的数据驱动训练策略，将解剖学知识融入训练网络并监督权重，保证了分割结果和标签之间的解剖相似性，克服了超声图像组织模糊、边界不完整、语义层面类内相似性和类间差异性不显著的难点。新的模型方法在多个指标衡量下取得第一名的好成绩；与安贞医院合作，有力支持了胎儿先心病的早诊和及时治疗，得到临床高度认可（GMIG 2019，Neurocomputing 2021）。

（3）开展辅助生殖中的高可靠Time-Lapse胚胎培养箱国产化及智能配件和耗材的体系研发，打破欧/美澳等国外厂商对中国市场的体外一站式智能胚胎培养箱的垄断。在独立舱培养、智能自检反馈、自动对焦、胚胎图像分割、智能评价、可靠性设计方面已取得关键技术突破，已完成一代样机试制，与临床生殖医学中心合作，推进动物和临床试验，在申报医疗器械注册证。