J. Li, C. Wang, T. Chen, T. Lu, S. Li, B. Sun, F. Gao, and V. Ntziachristos, “Deep learning-based quantitative optoacoustic tomography of deep tissues in the absence of labeled experimental data,” Optica 9, 32-41 (2022).
本团队利用光声CT深度学习方法实现了活体深层组织的光学功能“透视”定量成像，这在世界尚属首次。这将为获取活体组织生理病理相关的血氧特性图像提供高空间分辨定量成像方法，可用于肿瘤早期筛查、良恶性诊断以及抗癌药物疗效在体监测与量化评估。
Xiaoqian Hao, and Biao Sun*. “Speed Imagery EEG Classification with Spatial-temporal Feature Attention Deep Neural Networks.” IEEE International Symposium on Circuits and Systems (ISCAS 2022).
本团队提出一种新的运动想象（motor imagery，MI）脑机接口（brain-computer interfaces，BCI）实验范式——速度想象脑机接口，并利用CNN（convolutional neural network，CNN）和Transformer深度学习网络对速度想象脑机接口进行分类。
Zexu Wu, et al “Coupling Convolution, Transformer and Graph Embedding for Motor Imagery Brain-Computer Interfaces” IEEE International Symposium on Circuits and Systems (ISCAS 2022).
本团队利用深度学习中的注意力机制结合图论等相关知识对基于运动想象的脑机接口分类任务进行识别，并取得了优异的效果。