澄空

具有4年超声软件算法研发经验，主要负责图像分析功能的全链路基础架构以及全自动工作流功能的开发维护。工作内容包括：医疗图像传统和AI算法研发，大型软件开发调试，AI算法sdk及部署平台开发，无界面算法App开发。另外还具有半年的量化交易策略开发经验，使用机器学习进行时间序列分析，由于对市场认识不够，只做出了一个做市商模型支持刷单。

项目经验

1. 心脏、妇产、腹部、颈动脉等多个临床场景下图像自动测量算法和工具的开发，主要包括传统图像算法、AI 图像分割算法，产出专利两篇，CN116999053A CN119423819A 。

  a. 心脏轮廓编辑算法，支持左心房、左心室的轮廓初始化、多点编辑和描迹功能

  b. 颈动脉内中膜厚度测量算法，传入ROI，计算区域内的内中膜厚度判断血管风险

  c. 胎儿丘脑切面、胎儿小脑切面、妇科盆底的解剖结构分割和关键点检测，后处理计算临床测量指标

2. 参与内部AI训练框架开发、主导推理引擎、算法库和部署平台的开发：

  a. 基于Pytorch的超声医学图像训练平台，整合了Unet系列，Transform系列的backbone和分割检测头。

  b. 从零构建支持TensorRT、OpenVINO、MNN的跨平台推理引擎，根据配置文件映射输入输出节点、支持多输入多输出。

  c. 参考opencv打造了超声图像后处理算法库USCV，提供方便的图像处理工具以及风格统一的函数接口，算法参数可配置，极大地提高了算法开发调试的效率。

  d. 打造了算法开发部署平台SDK，算法作为独立插件运行在部署平台上，提升5倍以上算法上线速度。对外提供线程安全的推理接口，保证不同算法的并行，以及相同算法（有状态）的串行。

3. 主导算法调用全链路迭代：

  a. 早期算法作为动态库耦合在主程序的测量模块之中，算法直接获取数据的裸指针，图像错误或者算法异常会导致主程序崩溃，使用异常会导致测量模块某些堆栈状态不对，随将其和测量模块解耦，成独立的算法模块。

  b. 将算法部署到微服务中，使用grpc通信，解决了二维图像的崩溃问题，但是引入了34D图像数据传输耗时问题以及维护成本。

  c. 算法做成独立App，使用统一消息接口进行通信，通过共享内存获取实时和3D数据，保证系统性能。

  d. 基于grpc统一自动测量应用的json通信协议，整合所有的算法App，通过App管理器进行生命周期的管理调度，同时支持上层的各种复杂需求。

4. 全自动工作流开发，实时切面识别，质量评价，存图管理，自动测量，对接内外数十个算法App，采用一套代码编译所有App，App业务层处理图像任务，算法运行时分发执行算法，支持实时和非实时的算法。

5. MLDevops模型资源管理迭代，引入MinIO来管理整个模型静态资源，开发者和运维等都可以通过脚本拉取目标模型