焦一平，博士，现为南京信息工程大学人工智能学院讲师，智慧医疗研究院成员。硕博毕业于东南大学自动化学院，期间获国家留学基金委资助，赴荷兰拉德堡德大学医学中心计算病理组联合培养一年。任医学图像计算青年研讨会（MICS）委员、江苏省人工智能学会医学图像专委会委员，主持国家自然科学基金青年基金项目一项，作为课题骨干参与国自然重点项目、科技部重点研发计划项目各一项。主要工作发表于IEEE-JBHI、CMPB等期刊，Google Scholar H-index为10。致力于将全景病理切片分析中分类、分割、检测的复杂问题转为标准化、轻量化的流程，并希望探索视觉大模型、视觉—语言模型在计算病理学中的潜力。

课题组秉持“开放、平等、共建、共享”的基本理念，致力于系统化的科学研究与平等交流式的学术培养。

如果您对我们感兴趣，无论是本科生、其他科研团队的研究生，都可以自由参加或旁听我们的开放式组会，与我们深入交流讨论。

本学期（2025春）组会时间：每周二上午9:30~11:00，临江楼（信息科技大楼A1717）

您可以在B站上查看对计算病理方向及本人课题组的简介：https://www.bilibili.com/video/BV1xL8ce2E2B

也欢迎访问我的主页，查看数字图像处理等相关课程的讲解：https://space.bilibili.com/15895029

招生

目前2025级经开区专业学位硕士招生尚有名额，欢迎咨询！

目前正在联系、希望加入课题组的同学已达到本年招生数目限制，您也可以考虑我在经开区从事病理图像分析、医学影像成像、生物信息等领域研究的同事。

（如果我被鸽的话再来update）

如果您希望攻读专业学位硕士研究生，符合以下条件之一：

1) 具有Python编程经验与深度学习基础；

2) 熟悉Github，喜爱调包与复现前沿的AI研究；

3) 具有计算机背景或单片机/开发板经验；

4) 对医学图像有浓厚的兴趣，希望投身数字健康领域的前沿研究。

都欢迎考虑报考。

研究方向

如果您有兴趣报考，以下目前正在进行的与拟开展的研究方向可供参考：

• 探索优化模型结构：在深度学习模型中，依据病理图像空间尺寸大、肿瘤内异质性高等特点，针对性地引入多分辨率、注意力、多示例学习等机制，或借鉴傅里叶变换、小波变换等数学方法，提升模型的分类/分割/检测性能；或利用先进的少样本学习技术，建立高效的“人—模型”交互迭代标注机制与全切片推理系统。

• 可解释的医学图像标志物：利用CNN、ViT、Mamba等深度学习方法识别病理图像中的组织、腺体、细胞等兴趣目标，并可进一步利用数字图像处理、图网络等方法建立肿瘤浸润淋巴细胞（TIL）、三级淋巴结构（TLS）、细胞空间分布、纤维走向紊乱性等定量化特征，研究其与肿瘤分型、预后、治疗响应的关键信息的相关性。

• 病理图像生成式模型：在病理图像的背景下，利用对抗生成网络（GAN）、扩散生成模型（Diffusion）等技术，探索数据生成增广、域适应、染色风格迁移或虚拟染色的潜力。

• 大模型与图像—文本多模态模型：追踪前沿的视觉大模型或视觉—语言模型 (Vision-Language Model, VLM) 进展，利用SAM、PaliGemma等框架，在交互式分割、病理图像标题/摘要生成、视觉问答等方面展开探索。

• 平台与硬件系统研发：为计算病理组的在线计算平台研发或商业化部署提供宝贵经验，或通过“开发板—显微镜—图像处理/深度学习”的组合技，建立一套识别/成像等功能的实用实物系统。

本课题组主导了《病理全切片分析平台（WISH）》的研发，面向计算病理组开放，致力于提供可重复的实验结果与开箱即用的便捷研究分析功能。

如果您能够访问NUIST校园网，可以访问该链接（http://10.255.249.213:5468/）查看、试用我们已开发部署、搬运致敬的计算病理模型。

部分前期工作（真的很“前”，好不容易贴的图，又不想删，将就看一下）

（1）泛癌组织分割

该工作旨在获取精准的病理图像语义分割图谱，并探寻基于相关标志物的预后与治疗响应预测方法。（不就是个U-Net）

（2）无监督染色风格迁移

该工作旨在利用深度学习技术对染色情况不佳的队列进行自动处理，以提升组织类型语义分割或细胞检测模型的识别精度。（CycleGAN调个包）

（3）前景分割模型

该模型自动检测全切片中的墨迹、伪影、组织折叠、失焦区域，排除玻片背景，同时保留脂肪等疏松组织，是通用的质量控制预处理模型。（U-Net又来了）

（4）结直肠癌肿瘤微环境分析

该项目基于滑窗的组织类型分类结果拼接成全切片图谱，并基此定义肿瘤—间质比（TSR）等指标，验证了其预后意义。（数字图像处理我熟）

（5）肺癌检测

该项目基于深度学习语义分割建立了准确的肺癌检测模型，已在TCGA-LUAD与TCGA-LUSC队列上得到了较好的结果。（还真一个U-Net走天下？）

该模型在此处公开：https://grand-challenge.org/algorithms/lung-cancer-segmentation/

（6）心力衰竭检测与模型可解释性

该工作建立了基于组织病理的心力衰竭检测方法。利用Grad-CAM技术显示出端到端训练的模型的决策关键区域，发现与核代偿性肥大、炎性浸润、核周空泡等相关，具有良好的临床可解释性。医学图像分析的深度模型可解释性研究均可借鉴此方法。（我会说这是个VGG么？）