应用数学与交叉科学研究中心生物信息学团队于2026年6月10日第2次组会按期举行，小组全体成员和各位导师共同参加。在这次组会上，由三名研一学生分别汇报自己的研究进展，然后老师与同学们对汇报内容进行学术探讨，并对存在的问题给出相应的指导和建议。
许思莹：本次汇报的是一篇文献。医学图像分割是医疗影像分析领域的关键任务，近年来，半监督学习方法被广泛应用于该任务，有效缓解了医学图像标注成本高昂的痛点，稳步提升模型分割效果。然而，大多数现有半监督医学图像分割方法存在两大问题：一是常规随机采样策略难以采集关键边界样本，模型无法充分学习器官边界的判别特征，边界分割效果较差；二是教师网络生成的伪标签自带分类噪声，随机采样易混入错分图像块，干扰特征学习进程。基于上述问题，文章提出一种基于边界引导对比学习的半监督医学图像分割框架（BoCLIS），依托保守-激进双分支均值教师架构优化无标签数据利用效率。具体而言，BoCLIS包含两个核心模块：边界引导图像块采样和基于图像块的边界引导对比学习。前者借助Canny边缘检测结合形态学膨胀、腐蚀操作定向采集全局锚块、边界块与非边界块，再通过像素熵计算图像块不确定性、择优筛选低噪声样本构建候选集，从源头解决边界样本缺失与伪标签噪声干扰问题；后者依托筛选后的高质量样本构建正负样本对，搭配同图和跨批次跨图像双维度对比约束，通过边界引导对比损失拉近同类全局与局部边界/非边界特征、推远不同类别特征，强化模型边界表征能力。在公开医学分割数据集上的实验结果表明，BoCLIS在少量标注数据的实验条件下分割性能优于主流算法，消融实验进一步验证了各模块的有效性。
王梓涵：本次汇报的是近期实验。从基础一维 Burgers 方程数值复现起步，依次完成不同黏性系数、初始幅值下的对照仿真，完成由单方程向拓扑图耦合系统的模型拓展，借助小规模三节点网络与 20 节点环形拓扑开展多组变耦合强度对照试验，完整验证耦合机制对节点波形同步演化的作用逻辑，夯实了动力学机理，为后续落地蛋白质结构 B-factor 预测工程搭建了可靠的理论与仿真基础，也根据试验现象总结出模型参数敏感性隐患，明确了后续参数寻优与真实蛋白数据集实测的实验方向。
陈启未：本次组会汇报了一篇文献。多模态脑部MRI是临床神经疾病诊断与医学图像分析的关键基石，近年来，深度生成模型被逐渐应用于该领域，有效缓解了MRI扫描耗时长、多模态获取成本高昂的痛点，为补充缺失影像提供了新途径。然而，大多数现有医学图像合成方法存在两大问题：一是常规生成模型多为任务特定型（Task-specific），仅能进行单一模态间的刚性转换，无法灵活应对高度定制化的临床参数需求；二是传统网络往往忽略对空间分辨率的连续控制，且难以适应现实中多医疗中心、异构扫描仪带来的数据分布差异。基于上述问题，文章提出一种基于通用文本引导的多模态脑部MRI合成框架（TUMSyn），依托包含超3万例扫描的超大规模多中心数据库优化生成的高保真度与泛化能力。具体而言，TUMSyn包含两个核心模块：脑部MRI专属图文预训练（BMLIP）和基于隐式解码的文本引导图像生成网络。前者借助定制化的Transformer文本编码器结合对比学习策略，将扫描仪型号、体素大小、重复时间（TR）等复杂物理成像参数与3D图像视觉特征在同一维度下深度对齐，从源头解决模型对物理约束的语义理解问题；后者依托交叉注意力机制将文本特征作为引导条件精准注入无下采样源图像特征中，并创新性地搭配局部隐式图像函数（LIIF），将图像建模为连续空间场，从而实现跨模态对比度转换与任意尺度超分辨率的同步处理。在公开与外部多中心数据集上的实验结果表明，TUMSyn在零样本条件下的合成性能显著优于主流基准算法，不仅在阿尔茨海默病体积评估与脑小血管病分级中展现出极高的临床诊断价值，消融实验更进一步验证了详细物理参数提示与领域定制化预训练的不可或缺性。
