职位描述
1. 主导医学影像成像优化与重建算法的研发，涵盖 CT、MRI、PET 等多模态，重点方向包括低剂量重建、图像增强、去噪、超分辨率及高保真生成；
2. 研究基于深度学习与生成式模型的影像重建方法，包括但不限于 Diffusion Model、Generative Adversarial Network、Transformer 等，结合成像物理模型（physics-informed / model-based）实现高质量、高一致性的重建效果；
3. 负责构建通用医学影像重建与生成算法框架，提升跨模态、跨设备、跨扫描协议的泛化能力，推动算法在多厂商设备与临床环境中的稳定落地；
4. 推动算法向产品转化，参与系统集成与工程优化（如与PACS、扫描设备及临床工作流对接），提升模型推理效率与系统稳定性，满足临床实时性与可用性要求；
5. 参与或主导医学影像AI科研项目，推动核心技术创新，在MICCAI、IEEE Transactions on Medical Imaging、Medical Image Analysis、CVPR、NeurIPS 等顶级会议或期刊发表论文，并进行专利布局；任职要求
1. 博士学历（或硕士具备丰富经验），计算机科学、软件工程、应用数学、统计学、物理、生物医学工程、电子工程、模式识别、自动化、通信、医学物理等相关专业；
2. 具备扎实的医学影像处理、计算机视觉或机器学习理论基础，在医学影像成像优化、图像重建、图像增强、低剂量成像、快速成像或生成式 AI 等方向有深入研究；
3. 熟悉主流深度学习架构与算法框架，包括但不限于 CNN、U-Net、Transformer、Diffusion Model、GAN、Model-based Deep Learning 等，具备医学影像重建与生成任务的模型设计、训练与优化经验；
4. 具备以下至少以下一项相关研究经验：低剂量 CT 重建、低计数 PET 重建、MRI 加速重建、图像去噪、超分辨率、跨模态生成（如 MR-to-CT、PET-to-CT）、3D/4D 医学影像建模、物理约束成像优化等；
5. 具备优秀的编程能力，熟练掌握 Python、C++，并对并行计算、模型加速、分布式训练或大规模数据处理有实际经验者优先；
6. 深入了解 PyTorch、TensorFlow、MONAI 等深度学习框架，并具备模型部署经验（ONNX、TensorRT、Triton 等），有临床端或产品端落地经验者优先；
7. 熟悉医学影像数据处理流程，了解 DICOM、PACS、扫描协议及多厂商设备差异，具备真实医疗影像数据处理、标注、质控或多中心数据建模经验者优先；
8. 具有优秀的学术研究能力，在医学影像、计算机视觉或人工智能领域的知名会议或期刊上发表论文者优先，如 MICCAI、TMI、MedIA、CVPR、NeurIPS、ICML 等；
