细粒度视觉证据
如何从复杂医学图像中提取具有临床意义的细粒度证据？
以计算病理为主要场景，研究细胞级检测与表征学习，包括宫颈细胞学与全切片图像分析。
研究
贯穿研究的三个问题
低标注成本与多模态学习
当稠密医学标注稀缺时，如何有效学习？
利用文本描述等低成本监督信号补充或替代昂贵的稠密标注，服务于医学图像分析。
鲁棒且可泛化的医学视觉
如何让医学视觉模型在不同设备、机构与临床场景中保持可靠？
研究扫描仪、中心、预处理及其他分布变化下的领域泛化与鲁棒表征。
论文
一作代表性研究
TG-WSPIS: Multi-Granular Text-Guided Weakly Supervised Pathology Image Segmentation
ICME 2026已录用
IEEE International Conference on Multimedia & Expo · 第一作者
针对图像级标签难以刻画细胞分布异质性的问题，TG-WSPIS 通过三类文本描述与软对齐共识机制实现细粒度跨模态对齐，在仅使用文本弱监督的条件下取得接近全监督的病理图像分割效果。
稿件在审
单源域泛化
第一作者 · 稿件在审
我们研究医学目标检测中的单源域泛化问题，重点关注分布偏移条件下的实例级响应异质性。该方法在不增加推理阶段计算开销的情况下，提升了跨扫描设备与跨数据集评测中的模型鲁棒性。
Neurocomputing在审
CytoSet: Bethesda-Order-Aware Set Prediction for Cervical Cytology Cell Detection
Neurocomputing · 第一作者
针对检测器忽略贝塞斯达类别顺序与跨级错误方向的问题，CytoSet 通过查询语义精炼、空间分组及有序中心对齐与质量耦合，改善细粒度检测的诊断等级一致性并减少高风险细胞的降级误判。
合作论文
PRCV 2026已录用
Reliability-Aware Counterfactual Fusion for Debiased Multimodal Sentiment Analysis
Chinese Conference on Pattern Recognition and Computer Vision · 第四作者
针对文本模态样本级可信度不均的问题，CRAFT 通过跨模态一致性估计文本可信度，并利用反事实分支削弱不可靠语言信息的影响，缓解语言主导的预测偏见并提升多模态融合鲁棒性。
PRCV 2026已录用
DT-VG: Multi-Segment Text-Guided Drone Trajectory Visual Grounding
Chinese Conference on Pattern Recognition and Computer Vision · 第四作者
针对单张静态无人机图像中多段轨迹语义依赖与运动一致性难以建模的问题，DT-VG 通过层级化文本编码和物理感知结构约束联合建模语义与几何信息，实现连续、合理且几何精确的轨迹预测。
TMM在审
Image-Grounded Morphology Steering for Cervical Cytology Cell Detection
IEEE Transactions on Multimedia · 第六作者
针对可变形检测器缺乏诊断形态引导、局部采样证据不足的问题，该方法通过冻结文本原型提供语义兼容性，并在最终解码器层施加有界残差，提升细微形态差异的判别能力与跨域定位精度。
研究方向
我希望继续探索的研究方向
我致力于开发面向医学图像分析的可靠且标签高效的学习方法，尤其聚焦于弱监督与分布偏移条件下的计算病理学研究。
目前，我的研究围绕三个紧密关联的核心问题展开：如何在有限标注或多模态监督下学习细粒度的视觉证据；如何在不同扫描仪、医疗机构及动态变化的数据分布中保持模型的鲁棒性；以及如何使医学预测具备可定位、可量化且可验证的证据支撑。
在博士阶段，我希望进一步研究弱标注及多中心场景下的可信医学视觉技术，重点探索将病理视觉证据与医学文本相关联、对跨域变异进行建模，以及开发风险感知型学习策略。我的目标是提升医学影像模型的可审计性与跨中心适用性，从而为下游临床验证提供更为可靠的证据支持。
项目
研究实践
福建省卫健委科技计划项目
2024 – 2026基于多模态数据融合算法的宫颈腺上皮病变细胞识别研究
主要技术负责人（视觉筛查方向）宫颈细胞学TCT WSI 智能筛查
研究问题
宫颈细胞学切片缺乏组织病理中相对稳定的空间结构与上下文信息，同时异常细胞稀疏、形态差异细微、全切片图像分辨率极高。如何从海量正常细胞与复杂背景中识别具有诊断价值的异常细胞，并进一步形成可靠的切片级筛查结果，是自动化 TCT 筛查中的核心挑战。
我的工作
主导视觉筛查技术路线，完成从 TCT WSI 数据处理、细胞检测、异常细胞证据聚合到切片级预测与评测的完整流程，包括实验数据构建、模型训练、结果分析及筛查阈值选择。
项目结果
在内部验证中，模型在 95% 敏感度的高召回筛查工作点下达到约 50% 特异度，在优先保证异常病例检出的同时，实现对大量阴性切片的有效分流。以异常率约 10% 的筛查场景为例，据此估算约 45% 的全部切片可进入低风险队列，使人工阅片由全量筛查转向高风险病例与重点细胞优先复核。
95%敏感度
50%特异度
≈45%潜在低风险分流
潜在应用价值
构建了从超高分辨率 WSI 到细胞级证据，再到切片级筛查结果的完整分析链路。该流程有望减少大规模宫颈细胞学筛查中的重复阴性阅片工作，将有限的人工阅片资源更多集中于高风险病例及诊断关键区域。
关于
教育与个人背景
我是贺铖，福州大学计算机与大数据学院计算机技术专业硕士研究生，导师为陈福海。我的研究聚焦于计算病理学与医学图像分析，主要关注宫颈细胞学、弱监督与多模态学习，以及跨设备、跨中心场景下的领域泛化与鲁棒学习。
教育经历
福州大学计算机技术 · 专业型硕士研究生
计算机与大数据学院 · GPA：3.4 / 4.0
豫章师范学院数据科学与大数据技术 · 本科
数学与计算机学院 · 综合测评专业第二
技术能力
研究与工程
医学图像与 WSI 数据处理
具备全切片图像处理、Patch 构建与病理数据组织经验，支持细胞级分析与 WSI 级研究流程。
深度学习研究与实验
能够独立完成医学视觉模型的实现、训练、评测与实验分析，并关注实验的稳定性与可复现性。
模型部署与计算基础设施
具备模型推理优化与工程部署经验，并负责实验室共享 GPU 服务器维护与科研算力协调。
期待围绕医学图像分析与可靠视觉学习开展交流与合作。
我计划申请 2027 年入学的博士项目。欢迎与我交流计算病理、弱监督学习、多模态学习与医学图像领域泛化等方向的研究，也期待潜在的科研合作与博士机会。