Lijun Liu (刘利军)

副教授（工学博士）/ 硕士生导师 · 昆明理工大学

昆明理工大学
信息工程与自动化学院，人工智能产业学院
cloneiq@kust.edu.cn   |   cloneiq@126.com
中国 · 云南 · 昆明
深度学习
因果机器学习
视觉-语言大模型
医学人工智能
医学视觉问答
放射报告生成
放射学知识图谱
20+
学术论文
10+
科研项目
10+
授权专利
SCI
SCI期刊

个人简介

刘利军，工学博士，昆明理工大学信息工程与自动化学院/人工智能产业学院副教授、硕士生导师。研究与教学聚焦人工智能与医学影像交叉方向，研究兴趣包括机器学习与深度学习、医学基础模型、智能医学成像技术、AI驱动的医学影像诊断与报告生成、医学视觉问答与临床对话及放射学知识图谱等。

主持或参与国家自然科学基金、科技部及省部级等科研项目十余项，牵头建设“智能医学影像综合服务平台”。担任EAAI、ESWA、CMPB、Med、NN、BSPC、IF、IVC等国际期刊审稿人。以第一/通讯作者在IEEE TMI、MedIA、CMPB、BSPC、JIIM、JBI等国际知名期刊及BIBM、ICIC等重要会议发表论文20余篇，其中SCI/EI收录十余篇；获授权发明专利十余项。

学校官网 GitHub 谷歌学术 ORCID

教学信息

围绕人工智能、医学影像与智能医学等方向开展本科生与研究生教学，注重理论基础、方法实践与科研训练的贯通培养。

课程教学与人才培养

教学覆盖本科生与研究生培养阶段，围绕数学基础、医学影像、医学人工智能与数据智能等内容构建课程体系，强调理论讲授、方法实践与科研训练的协同推进。

本科课程注重基础理论、交叉认知与智能方法入门，服务人工智能与智能医学复合型人才培养。
研究生课程强调医学影像技术、医学大数据与科研实践，支撑高层次研究训练与学术发展。
本科课程

本科课程

  • 《人工智能数学基础》
  • 《智能医学成像技术》
  • 《医学人工智能理论与实践》
研究生课程

研究生课程

  • 《生物医学影像技术》
  • 《医学大数据与人工智能》
  • 《BME学科前沿讲座》

核心研究方向

研究聚焦影像理解、报告生成、知识驱动推理与临床对话四个方向，形成从感知、生成到推理与交互的连续能力链条。

核心方向 1

智能医学影像分析与可解释诊断

本方向聚焦疾病诊断、病灶检测、器官与病灶分割及定量评估等核心任务，研究兼具高精度、强鲁棒性与良好泛化能力的智能医学影像分析方法。面向 X 线、CT、MRI、超声、病理等多模态影像，探索融合多尺度学习、结构先验、跨域适应与不确定性估计的统一建模框架。进一步结合可解释机制与临床先验，提高诊断依据的可追溯性与结果可信性。

核心方向 2

多模态理解与放射报告生成

本方向围绕医学影像、放射报告与结构化临床数据的统一表征与协同推理，研究面向临床应用的多模态理解与报告生成方法。重点关注跨模态语义对齐、区域级证据建模与知识增强生成，以提升报告结果的事实性、一致性与完整性。进一步结合不确定性建模与一致性约束，增强系统在真实临床场景中的安全性与可靠性。

核心方向 3

放射学知识图谱与知识检索增强

本方向研究放射学知识的结构化组织、跨模态关联与推理增强，构建面向智能医学影像应用的知识图谱与检索增强框架。通过融合临床指南、医学术语体系、真实世界数据及图推理方法，为报告生成、医学视觉问答、临床对话和鉴别诊断提供稳定、可追溯的知识支撑。重点提升系统在长尾病例、复杂场景与持续演化环境中的鲁棒性、一致性与可审计性。

核心方向 4

医学视觉问答与临床对话智能体

本方向面向真实临床场景中的复杂交互需求，研究融合影像理解、交互式问诊、临床推理与辅助决策的医学视觉问答与临床对话智能体。结合医学影像、病史、检验检查结果与结构化知识，支持多轮问答、主动澄清与循证响应生成。目标是推动医学视觉问答从单轮被动回答走向可解释、可审计、可部署的临床对话系统。

招生信息

欢迎计算机、人工智能、电子信息、生物医学工程、数学等相关背景并有志于智能医学研究的同学加入。

每年招生 2–4 名硕士研究生

欢迎对智能医学与医学影像分析具有稳定兴趣的同学加入

课题组长期围绕智能医学影像分析、多模态报告生成、知识图谱与检索增强、医学视觉问答与临床对话等方向开展研究。欢迎学术品德良好、专业基础扎实并愿意持续投入科研训练的同学报考，鼓励尽早参与论文阅读、算法复现与实验实践。

欢迎计算机、人工智能、电子信息、生物医学工程、数学等相关背景学生联系咨询
cloneiq@kust.edu.cn
鼓励尽早参与论文阅读、算法实现、实验设计与研究训练
基本要求

品德与学术规范

具有良好思想品德、诚信意识与责任感，遵守学术规范，尊重团队协作，能够以严谨态度对待科研训练、数据处理与实验工作。

学习投入

态度与科研投入

具备主动学习、踏实钻研和持续投入能力，能够阅读中英文学术文献，愿意围绕真实问题长期推进方法研究、实验验证与工程实现。

能力基础

专业基础与技术能力

具备数学、编程、数据结构、机器学习与深度学习基础，熟悉 Python 与 PyTorch，并具有一定英语能力，能够阅读英文技术文档与学术论文。有计算机视觉、医学影像、自然语言处理或大模型经验者优先。

方向契合

方向匹配与发展潜力

对智能医学影像分析、多模态报告生成、知识图谱与 RAG、医学视觉问答与临床对话等方向具有稳定兴趣，具有跨学科意识、创新潜力与长期发展意愿。

代表性论文

围绕医学视觉问答、放射报告生成、病灶分割与可解释诊断等主题开展持续研究，以下列出部分代表性成果。

开源项目

开源源码仓库聚焦可复现实现、持续维护与方法扩展。

医学视觉问答/因果干预
CIMB-MVQA

面向医学视觉问答的模态特异性偏置因果干预代码仓库，对应 MedIA 论文并支持可复现研究。

访问仓库
医学视觉问答/动态知识增强
CKRA-MedVQA

面向医学视觉问答的动态情境感知跨模态对比学习实现，突出知识选择与跨模态对齐。

访问仓库
医学报告生成/对比学习
COACL

面向胸部放射报告生成的跨模态正交自适应对比学习框架，强调事实一致性与稳健生成。

访问仓库
医学报告生成/细粒度对齐
D2R-Net

从检测到报告生成的细粒度多模态对齐与半监督学习实现，支撑放射报告流水线建模。

访问仓库
医学视觉问答/扩散生成
DiffuVQA

基于条件生成扩散模型的开放式医学视觉问答实现，强调多模态条件引导与稳定生成。

访问仓库
医学视觉问答/因果推理
DE-CaGI

聚焦去偏与循证推理的因果梯度干预方法，实现更稳健的医学视觉问答推理。

访问仓库