7月24日，铜陵学院人工智能学院“铜基材料数字化智能制造工程研究中心”暑期第二期学术沙龙顺利举行。华中科技大学医学图像信息研究中心博士研究生陈文扬应邀作专题学术报告，研究中心成员、学院教师、联合培养研究生及本科生代表参加活动。

本期沙龙以《3D医学图像分割任务的方法设计和实验准备》为题。陈文扬结合自身参与深度学习三维医学图像分割研究的经历，系统分享了模型设计理念与科学实验组织方法。他指出，具有研究价值的模型不仅要取得良好的任务性能，还应具备可观测性，能够从模型内部特征和实验现象中提炼规律，并据此指导后续优化。科研工作应避免仅凭直觉堆叠模块或开展缺乏控制变量的随意实验，增强方法动机、结构设计、实验验证与结论分析之间的逻辑一致性。

围绕三维医学图像分割的任务特点，陈文扬从目标尺度、成像序列和空间分辨率等方面进行了分析。医学图像中的分割对象涵盖器官、局部解剖结构和病灶等不同层级，且单幅三维图像往往包含千万至亿级像素，因此多尺度特征建模、滑动窗口和分箱处理成为重要技术路径。报告进一步讨论了“分箱限制”和“黑盒遮蔽”问题，指出固定规格分箱会限制模型的最大感知范围，复杂网络结构与多模块融合则容易弱化各组件的功能边界，使不同设计的实际贡献难以准确判断。

   针对上述问题，报告提出应明确建立模型结构、组件功能与建模尺度之间的对应关系，以特征尺度为变量开展规范的控制变量实验，回答“哪些尺度特征是分割任务的关键证据”以及“哪些尺度组合能够形成更具判别力的表达”等科学问题。在此基础上，陈文扬介绍了多重分箱建模、密集尺度特征编排及编码器与解码器协同设计等思路，并强调数据集制成和实验可复现性控制的重要性，建议将数据变换、数据集划分和随机抽样顺序提前生成并持久化保存，通过分层抽样和结构化概率补偿降低随机波动，提高实验的稳定性与可信度。

在互动交流环节，与会师生围绕多尺度特征定义、三维图像分箱策略、模型可解释性、样本抽样机制和实验控制变量等问题展开深入讨论。陈文扬结合实际研究案例逐一作出解答，现场学术氛围热烈。本次沙龙内容系统、观点鲜明，既深化了师生对三维医学图像分割关键技术的认识，也进一步强化了规范实验、理性分析和发现规律的科研意识，对提升青年教师和学生的方法设计能力、实验组织能力及学术创新水平具有积极意义。

 （撰稿：詹邦成/王福成   编辑：胡章砚  初审：柏家文  审稿：吴桂芳 齐平）