基于人工智能和数据驱动的图像处理技术在面对不同监督条件时遇到了一些技术难题与挑战，制约了其在实际医学临床中的应用。例如，受限于“过拟合”，全监督学习范式训练得到的模型往往存在跨领域泛化能力差的问题，制约了其在真实医学临床场景中的应用。另外，获取大量精准的标签数据的高要求、高难度也一直是在医学人工智能领域构建用于全监督学习数据集这项工作的桎梏。而弱监督、无监督等限制监督条件下的学习范式虽然能够一定程度上解决标签数据的困扰，然而模型难训练和收敛的难题又制约了其在性能上的表现。随着医学影像技术的迭代发展，临床与科研实践中积累了海量的医学图像数据。因此如何借助人工智能技术在限制监督条件下对医学图像进行高效而准确的处理、分析及可视化是当前医学影像技术研究领域中的前沿与重点问题。
计算机的图像理解与分析可视为在输入图像和先前建立起来的观测模型之间建立映射的过程，并可分为不同的表达层次：低层（low-level）的图像处理和高层（high-level）的图像分析。低层图像处理中的图像分解与降噪和高层图像分析中的图像定位与分割技术，是图像增强、图像重建、图像识别和图像分析等下游任务进展中的首要步骤。该技术影响着各类医学影像任务输入特征的准确性与精确性，从根本上决定着医学人工智能系统的性能及可靠度。MIAI研究组围绕“智能医学图像处理与分析”这一热点领域里的关键问题，在前期参与研制多台小动物成像设备的基础上，通过人工智能技术，从医学影像处理和分析的需求出发，在监督学习、弱监督学习和无监督学习等多个学习范式下开展了医学与信息科学交叉领域的智能医学图像处理与分析新技术研究与应用转化工作。
MIAI研究组的研究成果均以医学影像技术与信息科学技术为基础，聚焦于人工智能、成像技术、图像增强、图像分析等智慧医学影像技术领域中的热点技术问题，涵盖低层图像处理与高层图像分析技术及医学临床应用，两者相互关联，互为支撑，形成有机的研究体系。目前，MIAI的PI为卢闫晔助理教授。