联影医疗
AI 算法工程师-I26-019(J19216)
AI 算法工程师-I26-019(J19216)
发布于 5 天前普通员工/个人贡献者
全职员工仅现场办公
Ct重建
Diffusion Model
Gan
Mri
Pet
Pytorch
Tensorrt
值不值得投
78综合评分
综合评分 78
博士级影像重建AI专家岗，前沿性与临床价值俱佳，学术工程双通道
从薪资福利、成长发展、工作生活和使命价值四个维度综合评估，方便横向比较。
薪资怎么样
参考估算薪资
根据职位描述推断，供对比参考
发布情况
正常在招 · 5 天前发布
公司情况
这家公司招聘很活跃
88 个在招
市场机会
选择不多
上海 · 3 个在招
职位详情
关于这个职位
该职位主导医学影像成像优化与重建算法研发，覆盖CT、MRI、PET等多模态，重点方向包括低剂量重建、图像增强、去噪、超分辨率及生成式模型，并推动算法产品化落地与顶会论文、专利布局
最低要求
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
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
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
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
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
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
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
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
工作职责
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
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
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
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
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
AI 洞察
优缺点分析
优点
- 医学生成式AI是最前沿方向之一，技术领先性强
- 有多模态设备与临床场景支撑，数据和落地条件好
- 公司支持顶会发表与专利，学术工业双赢
- 博士级人才竞争激烈，对研究深度要求极高
- 多设备多协议泛化是公认技术难题
- 适合有影像重建或生成式AI深入研究、兼具学术产出与工程落地能力的博士级人才
缺点 / 挑战
- 临床实时性与稳定性要求严苛，落地压力大
角色解读
- 可向首席算法专家或AI研究院负责人方向发展
- 主导通用影像生成模型平台，影响力覆盖全产品线
- 学术界与工业界双通道，顶会论文积累保障长期竞争力
- 主导CT、MRI、PET多模态影像的重建与生成算法研发，覆盖低剂量、去噪、超分等方向
- 构建通用重建算法框架并推动算法在临床环境稳定落地
- 发表顶会顶刊论文并布局专利，参与AI科研项目
- 医学影像成像优化与图像重建的深厚理论基础与研究成果
- 精通Diffusion Model、GAN、Transformer等生成式模型与物理信息建模
- 熟练Python、C++与PyTorch、MONAI框架，有模型部署经验
申请策略
- 面试准备一场关于你最有代表性的重建研究的深度报告，展示从理论到落地的完整闭环
- 突出低剂量重建、加速重建或跨模态生成方向的代表性研究
- 列明MICCAI、TMI、CVPR等顶会顶刊论文
- 写明PyTorch与TensorRT部署的工程经验
- 补强成像物理模型与深度学习结合的model-based方法
- 熟悉DICOM、PACS与临床数据流
- 了解多厂商设备协议差异
面试指南
- 用研究动机-方法创新-实验验证-落地价值的结构讲研究
- 强调临床安全与泛化意识
- 展示学术与工程双能力的平衡
- 请介绍你在影像重建方向的代表性研究
- 物理信息模型与纯数据驱动方法如何取舍
- 生成式模型在医学影像中的安全性与幻觉如何控制
- 如何提升算法跨设备泛化能力
- 模型部署与推理加速的实践经验
职位点评
薪资福利78
成长发展92
工作生活55
使命价值85
薪资福利
78中等
博士级算法专家岗薪资竞争力强，JD未披露具体薪资与福利。
薪资信号未披露（AI估算：3.0千–6.0万/月）
成长发展
92较高
生成式AI与影像重建最前沿方向，支持顶会发表与专利布局，科研工程双通道成长。
技术前沿前沿/新兴技术
技术栈Diffusion Model、GAN、Transformer、PyTorch、TensorRT、MONAI
成长机会科研项目、专利布局
业务类型profit_center
工作生活
55较低
JD未提及办公模式与WLB信息，算法研发节奏需以面试沟通为准。
工作模式未明确
办公地点科技园/产业园
加班情况未提及（无法判断）
使命价值
85较高
低剂量重建与影像AI直接关系患者安全与诊断质量，临床价值显著。
行业发展高速增长赛道
社会影响正向社会影响力较高
使命信号满足临床实时性与可用性要求
创新程度开拓性创新（行业首创）
Watch Jobs