图像分解与显式建模，可解释可泛化医学影像人工智能新突破。借助大数据和算法，医疗和技术的深度融合让“AI医生”逐渐融入人们的生活，为疾病的预防、早期筛查、诊断和治疗规划提供了更多便利。但深度学习神经网络的机制不透明、难理解，模型在临床应用上存在极大的安全与伦理风险；受医学影像数据异质性的限制，模型难以高效融合多模态图像信息，保持强泛化能力。

庄吓海教授团队提出基于显式建模的主动式可解释医学影像分析创新思路，针对医学影像分析的三大基本任务提出系列原创方法实现智能高效、安全可靠的医学影像人工智能分析：（1）提出了具有理论最优计算复杂度的X-metric测度，并通过对多模态医学图像结构与空间对应关系的显式建模首次实现高效和大规模的可解释多模态图像深度组配准；（2）通过对图像外观分量和形状分量的联合建模实现了单源域下的可解释泛化分割；（3）通过对图像稀疏分量和平滑分量的显式建模实现无监督的可解释图像超分重建。

相关成果发表在IEEE TPAMI（IF：23.6，3篇）、MedIA（IF：10.9）等顶级期刊上，工作获得由爱思唯尔出版社、MedIA期刊、国际医学图像计算与计算机辅助介入学会（MICCAI）联合颁发的最佳论文奖（大陆首次）。