医学影像——MRI去噪与基于病理图像的基因表达预测

概览

• 散斑噪声会掩盖MRI中的诊断细节；基因表达检测缓慢且昂贵，而病理图像快速又廉价。
• 面向MRI的散斑去噪模型，以及一篇从十亿像素级病理图像预测基因表达的论文。
• 已完成：MRI项目于2020年至2021年开展；硕士论文于2025年9月完成，相关学术论文正在撰写中。

亮点

• MRI散斑噪声抑制

  针对散斑噪声的去噪模型；这种噪声会破坏MRI及相关模态中的诊断细节。

• 从病理图像获取基因表达

  论文检验全切片病理图像能否替代缓慢而昂贵的基因表达检测。

• 视觉基础模型

  作为病理路线的第一步，由视觉基础模型处理十亿像素级的全切片图像。

• 图神经网络

  图神经网络以视觉模型的输出为基础，进一步推进至基因表达预测。

• 经适配的语言模型技术

  源自大语言模型、针对该任务适配的技术，与统计和概率方法相结合。

• 追求低算力与低延迟

  论文力求把处理开销和延迟降到尽可能低，这对十亿像素级输入而言是一项硬性约束。

挑战

散斑噪声会破坏MRI中的诊断细节。第一个项目的目标，是在MRI及相关成像模态中抑制这种噪声。

第二个问题既是经济问题，也同样是科学问题。基因表达检测耗时、昂贵，在组织实施上也十分繁琐；而全切片病理图像的获取则快速且廉价。这些图像达到十亿像素级，论文为算力和延迟设定了硬性约束。

架构

两条研究路线。MRI方向采用散斑去噪模型。病理方向由视觉基础模型处理全切片图像，图神经网络在其输出的基础上进一步建模，同时，针对该任务适配的大语言模型技术也为基因表达预测提供输入。该方案还运用了统计与概率方法。

我构建了什么

论文探讨的问题是：全切片病理图像能否替代基因表达检测。其目标是直接从十亿像素级图像中还原分子生物学信号，同时尽可能降低处理开销和延迟。

• MRI：在MRI及相关成像模态中抑制散斑噪声。

• 病理：从数字病理图像预测基因表达，结合图神经网络、视觉基础模型、经适配的大语言模型技术与统计建模。

结果

硕士论文已于2025年9月在伊斯法罕理工大学完成，基于该论文的学术论文正在撰写中。为一家私营企业开展的MRI散斑噪声项目，周期为2020年3月至2021年3月。

我的角色

• 2020年3月至2021年3月，为一家私营企业研究MRI及相关成像模态中的散斑噪声抑制。
• 在伊斯法罕理工大学撰写硕士论文，研究从数字病理图像预测基因表达。
• 在论文方法中结合了图神经网络、视觉基础模型、经适配的大语言模型技术和统计方法。
• 论文研究在算力和延迟的硬性约束下进行。

工程

• 以算力与延迟为约束

  论文在算力和延迟的硬性约束下开展，力求将两者都降到尽可能低。

• 为十亿像素级输入而设计

  病理路线直接处理十亿像素级的全切片图像。

• 多类模型，汇于同一预测

  图模型、视觉基础模型和经适配的语言模型方法共同服务于同一个基因表达预测，并辅以统计方法。

成果

• 硕士论文于2025年9月在伊斯法罕理工大学完成；相关学术论文正在撰写中。
• 为一家私营企业完成MRI散斑噪声抑制项目，2020年3月至2021年3月。
• 论文：从数字病理图像预测基因表达（分子生物学）。