机器学习来增加大脑成像的速度分析

就像器官本身,对大脑是非常复杂的,需要收集的数据进行排序和分析复杂的方法。目前的方法包括拓扑结构,这是一个数学模型,给出了图像的数据,或机器学习,这是一个统计模型显示的趋势。也不能处理大量的数据。

Junzhou黄,计算机科学与工程系副教授在德克萨斯大学阿灵顿,将使用210000美元的国家科学基金会资助探索如何结合这两种方法来更准确地预测未来的结果数据。曹国伟陈在纽约城市大学的首席研究员。

大脑研究依赖于功能性磁共振成像数据高度复杂的、多尺度和异构。这些包括病理或放射学图像,和组学数据,如基因组学、蛋白质组学和代谢组学,从相同的病人。

目前,这个数据是在这样一个高分辨率,图像可能测量100万像素100万像素,相比一个1000×1000像素的手机屏幕,每一块可能1 tb的数据,这是100万字节,或者更多。结合其中的几个大文件整体观产生了大量的数据太大,目前的技术来处理。

黄希望结合拓扑,分析三维数据,并提供全球信息,和机器学习,依靠历史,或统计数据将允许他改变当前的模型和预测未来的结果数据。

“拓扑和机器学习方法截然不同,但它们可以帮助数据分解成更易于管理的单位,“黄说。“拓扑可以让医生或研究人员快速识别所需的数据,然后机器学习可以填写细节,使过程更快,更准确。”

黄赢得了国家科学基金会教师职业发展格兰特在2016年开发过程的早期使用机器学习来收集高度复杂的基因组数据,类似于大脑数据将与他新格兰特。

他的研究领域是创新思维的一个例子数据驱动的发现,UTA的主题的一个战略计划2020:大胆的解决方案|全球影响,香港江说,温德尔Nedderman椅子,在计算机科学与工程系教授。

”黄博士继续推动限制在大数据分析与创造性解决棘手的问题,”江说。“如果他是成功的,这种新方法可以是一个非常重要的工具,医生需要快速分析和评估病人数据,