罗守胜，副教授， 2013年博士毕业于北京大学数学科学学院，2016年9月至2017年9月访问佐治亚理工大学数学系（合作导师周好民教授），2017年12月至2019年11月在北京计算科学研究中心/香港科技大学做博士后研究（导师台雪成教授和汪扬教授）。主要从事医学图像重建模型和算法、带有凸先验的图像分割方法的研究，在Inverse Problems and Imaging, ICCV等专业杂志和会议上发表论文10多篇。主持完成国家自然科学基金青年基金一项，参与完成国家自然科学基金面上项目一项，目前主持在研河南省面上项目一项。

       在中心访问期间，主要开展工作内容如下：

       1. 谱CT重建方法：谱CT能克服传统CT的硬化现象，对软组织成像具有更高的对比度，应用广泛。与传统CT图像重建不同，谱CT图像重建需要求解非线性方程，缺少高效的求解算法，且这些算法缺少理论分析。因此，谱CT图像重建方法是当前研究的热点，且存在许多有待进一步研究的问题。目前的谱CT图像重建方法大都基于基物质分解原理，并对非线性方程的线性化，然后使用传统CT图像重建方法求解相应的线性问题。这些线性化方法通常是基于Taylor一阶展开，线性化方法单一，且没有收敛性分析。另外，由于基物质分解的不稳定性，以及低能谱X射线投影数据噪声较大，正则化重建方法也是目前该领域的研究热点。但是，已有的正则化方法不能很好刻画基物质分解系数之间的相关性。所以，在访问期间，申请人计划在中心刘继军教授的指导下，针对谱CT图像重建问题非线性方程的特点提出新的线性化方法，并研究能刻画基物质分解系数相关性的新的正则化方法。

       2. 带有形状先验的正则化图像分割网络：图像分割是图像处理的重要研究内容之一，应用广泛。深度学习方法和变分极小化方法是两种常用的目标分割技术。当图像（尤其是医学图像）的灰度接近、边界不清、噪声严重时，两种方法都不能得到理想分割结果：深度学习方法具有不稳定性，分割结果可能存在噪点，而变分方法不能很好的融合已有的标签数据。将两种方法相结合是目前的趋势之一。申请人在带有凸先验的目标分割方法方面有系列研究成果，提出了基于水平集和二值表示的具有凸先验目标的分割方法。将这两种方法和深度学习方法相结合，搭建具有凸形先验的正则化图像分割网络是申请人计划在访问期间开展的另一工作。