单善善，硕士生导师、副教授
苏州大学优秀青年学者
电子邮箱：ssshan[AT]suda.edu.cn
通讯地址：苏州工业园区仁爱路199号, 邮编215123
2011-2015年在南京理工大学通信工程专业学习并获得工学学士学位。2017年获国家留学基金委资助赴澳大利亚昆士兰大学攻读生物医学工程专业博士学位，2020年至2022年在悉尼大学从事博士后工作，并于2022年底获苏州大学优秀青年学者。主要研究领域是核磁共振图像重建算法的开发与应用，以及基于人工智能技术的快速精准成像算法和影像组学的研究。长期致力于通过开发新的成像算法和成像序列，提高核磁共振成像的精确性，应用于以精准核磁共振图像为实时引导的临床疾病治疗。曾获得2022年美国物理医学协会（AAPM）最佳物理学奖（Best in Physics，top 0.5%），昆士兰大学2021年优秀博士论文（Dean’s Award）,以及多次获得国际磁共振年会（ISMRM）教育奖金（Trainee stipend）。在Nature Reviews Clinical Oncology、ACS Nano、Advanced Science、Magnetic Resonance in Medicine和IEEE Transactions on Biomedical Engineering等权威国际期刊发表论文近20篇。主持国家自然科学基金青年基金、苏州大学优秀青年基金和参与主持澳大利亚国家级核磁共振和线性加速器联合项目等多项基金。
个人简历
11/2022-至今 副教授
苏州大学放射医学与防护学院
11/2020-08/2022 博士后研究员
澳大利亚悉尼大学ACRFImageX研究院
01/2017-07/2021 博士研究生，生物医学工程
澳大利亚昆士兰大学信息技术与电子信息学院
09/2011-06/2015 本科学历，通信工程
南京理工大学钱学森学院
研究方向
核磁共振快速成像算法
深度学习算法
影像组学
图像引导放射治疗
代表性论文
1. Shan S, Gao Y, Waddington D, et al. Image Reconstruction with B 0 Inhomogeneity using a Deep Unrolled Network on an Open-bore MRI-Linac. IEEE Transactions on Instrumentation and Measurement. 2024 Oct 16.
2. Li C#, Shan S#, Chen L, et al. Using Adaptive Imaging Parameters to Improve PEGylated Ultrasmall Iron Oxide Nanoparticles‐Enhanced Magnetic Resonance Angiography. Advanced Science. 2024 Oct;11(39):2405719.
3. Li Y#, Shan S#, Zhang R, et al. Imaging and Downstaging Bladder Cancer with the 177Lu-Labeled Bioorthogonal Nanoprobe. ACS Nano. 2024 Jun 21.
4. Whelan BM*, Liu PZ, Shan S*, Waddington DE, Dong B, Jameson MG, Keall PJ. Open‐source hardware and software for the measurement, characterization, reporting, and correction of geometric distortion in MRI. Medical Physics. 2024 Nov;51(11):8399-410.
5. Shan S#, Gao Y#, Liu P, et al. Distortion-corrected image reconstruction with deep learning on an MRI-Linac. Magnetic Resonance in Medicine. 2023 May 01.
6. Shan S, Li M, Li M, Tang F, Crozier S, Liu F. ReUINet: A fast GNL distortion correction approach on a 1.0 T MRI‐Linac scanner. Medical Physics. 2021 Mar 24.
7. Li M#, Shan S#, Chandra, S, et al. Fast Geometrical Distortion Correction Using a Fully Connected Neural Network: Implementation for the 1 Tesla MRI-Linac System. Medical Physics. 2020.
8. Shan S, Li M, Tang F, et al. Gradient Field Deviation (GFD) Correction Using a Hybrid-Norm Approach With Wavelet Sub-Band Dependent Regularization: Implementation for Radial MRI at 9.4 T[J]. IEEE Transactions on Biomedical Engineering, 2019, 66(9): 2693-2701.
9. Shan S, Liney G P, Tang F, et al. Geometric Distortion Characterisation and Correction for the 1.0 T Australian MRI‐Linac System Using an Inverse Electromagnetic Method[J]. Medical Physics, 2019.
招生信息：
课题组诚聘有志于磁共振成像、医学影像方向的研究生，可推荐与澳大利亚昆士兰大学、悉尼大学或其他世界名校联合培养。有意者请联系 ssshan@suda.edu.cn。