主要科研成果

(近5年作为第一完成人完成的代表性论文（注明论文标题、作者排序、杂志名称、分区以及影响因子），发明专利，或科技奖项，限填5项)

1、Q. Liu, H. Leung. Variable augmented neural network for decolorization and multi-exposure fusion, Information Fusion, vol. 46, pp.114-127, 2019. (SCI, JCR 1区, IF: 13.67, 被引27次)

2、M. Zhang, M. Li, J. Zhou, Y, Zhu, S. Wang, D. Liang, Y. Chen, Q. Liu*. High-dimensional embedding network derived prior for compressive sensing MRI reconstruction, Med. Image Anal., vol. 64, 101717, 2020. (SCI, JCR 1区, IF: 11.148, 被引14次)

3、2019年江西省自然科学奖三等奖“基于信息表示和学习的快速磁共振成像重建”，省部级排名第1。

4、2021年指导学生《AI智能掌超设备及辅助诊断系统》获全国互联网+创新创业大赛获国赛金奖（排名第1）指导老师：刘且根、李德平、王玉皞、葛刚、徐健宁

5、2020年度第十届吴文俊人工智能科技进步二等奖“基于特征学习的优质医学断层图像重建关键技术及应用”（排名第2）。

在研基金项目简介

()

国家优秀青年基金：多模态先验信息与成像重建

简介：现代医学成像技术涵盖磁共振、X射线、超声等近十种成像模态以及众多衍生模态。随着临床影像技术需求的发展，单一成像模态已经不足以满足临床诊断的需要。将各种成像技术融合，发展多模态成像技术已经显示出其必要性。多模态成像的成像机理与成像重建存在更为复杂的结构相关性与耦合性，面临着成像机制相耦合、时空约束规律复杂、多维样本获取困难、成像特性对场景模型空间误差敏感等一系列先验信息表示与成像重建建模理论与方法领域的核心难点。拟沿着“单模态成像→双模态成像→多模态成像”这一技术发展脉络，将视野从单模态拓展到多模态，重点研究多模态先验信息表示与医学成像重建的理论与方法。