焦一平，博士，现为南京信息工程大学人工智能学院讲师，智能医学图像计算江苏高校重点实验室（IMIC）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。

不要被照片骗了，中年老登一个

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秋）组会时间：每周四晚上19:30~21:00，线上会议：#腾讯会议：650-5712-8287

（这学期课太多了，时间七零八散的，没形成规律的时间，如希望旁听，可联系课题组管理员王磊同学咨询组会时间，微信： wl13738264268 ）

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

最近实在太忙啦，近期没有计划指导国际留学生，如果您对智慧医疗感兴趣，欢迎联系IMIC的其他导师（https://imic.nuist.edu.cn/yjdw/gxjs.htm）。

I' ve been extremely busy lately and have no plans to supervise international students for the time being. If you are interested in smart healthcare, you are welcome to contact other supervisors at IMIC (https://imic.nuist.edu.cn/yjdw/gxjs.htm).

关于IMIC

智能医学图像计算江苏高校重点实验室（IMIC），以南京信息工程大学为依托单位，东南大学附属中大医院、南京鼓楼医院、江苏省人民医院三家江苏省内重点医院为共建单位。实验室聚焦人工智能、信息科学与医学交叉学科的前沿领域，致力于运用先进的信息科学和人工智能手段，探索并解决医学与健康领域的重大科学问题，目标打造国内一流、国际知名的前沿交叉研究平台。

欢迎访问实验室的官方网站，了解更多关于科学研究前沿与实验室导师信息：

（中文）https://imic.nuist.edu.cn/

（英文）https://imicjs.github.io/   

本科毕设

本人所带毕设均为病理图像分析方向，课题需熟悉Python语言，了解Pytorch用法。研究主题主要与图像分割、病理基础模型，以及Graph、机器学习等内容相关。

（我的毕设很严的哦，会非常仔细检查是否有学术不端、数据捏造，后果很严重的，慎重选择！在我答辩组你们的学长学姐们应该深有体会）

虽然但是，本年度（2026）届本科毕业设计额度已满。

招生

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（我们想搞网站）或单片机/开发板经验（我们想做机械臂+电子目镜的低配版显微扫描仪）；

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；

5) 喜爱尝试新事物，有着agent或小龙虾的经验或者Vibe coding 6到飞起。

都欢迎考虑报考。 

如情况无变化，2026年可招收【专业学位】硕士研究生，培养地点为【经开区创新港】，欢迎联系、咨询、预约面试。

关于方向与招生地答疑：智慧医疗大组统一隶属智能医学图像计算高校重点实验室（https://imic.nuist.edu.cn/），在本部生医工与经开区人工智能专业均有导师招生，但学院政策规定导师仅可选择一地招生，建议您联系导师时与其确认招生地。

我们正在尝试施行双选的透明化，促成公平与信任、减少猜忌与鸽鸽，我们会在此即时更新当前的联系与意向状态：

2025年招生数：4人；

2026年招生数： 3人，已满。

2027年招生数：计划2人。

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。

部分前期工作

真的很“前”，好不容易贴的图，又不想删，你们将就看吧

我们也在做一些创业的探索，欢迎了解我们的最新进展：https://www.pathowish.cn/

（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？）