作者： 来源： 阅读量： 发布时间：2017-09-03 14:03:10
姓名：黄美燕
职称：副教授
联系邮箱：huangmeiyan16@163.com
v 学习经历
1. 2006.09-2010.06 南方医科大学，生物医学工程，学士
2. 2014.04-2015.04 美国北卡罗来纳大学教堂山分校，生物统计学系，访问学生，导师：冯前进教授和Prof. Hongtu Zhu
3. 2010.09-2015.06 南方医科大学，生物医学工程，博士，导师：冯前进教授
v 工作经历
2015.09至今 南方医科大学生物医学工程学院医学信息所，副教授
v 研究方向
医学图像处理与模式识别
1. 高维影像与基因数据之间的相关性分析：找出与疾病相关的生物标记物，为疾病的精准诊疗提供分析和决策支持工具。该方法通过研究快速有效处理高维影像与基因数据的方法，并构建医学影像与基因数据的相关性模型，从而发掘与疾病相关的影像、基因生物标记物。该方法是分析神经疾病基因作用的有效方法，将重点研究阿尔兹海默症和帕金森综合征的MRI、PET影像特征与基因数据的关联，为疾病的预测和个性化治疗提供关键的影像和基因标记物，为有效的个性化治疗提供基础。针对该方向的工作，本人已有3篇一区和1篇二区论文（Neuroimage1篇，bioinformatics2篇，Neuroimage: Clinical1篇）被录用发表。
2. 术后脑胶质瘤高复发区域的预测研究：术后胶质瘤高复发风险区域的精确预测对胶质瘤患者治疗计划的制定及预后评估具有重大价值。主要针对脑胶质瘤患者术前和术后多模态MRI图像进行研究，结合胶质瘤的浸润生长特性，通过无监督深度学习方法提取蕴含在大量临床影像数据的信息和知识作为图像特征，构建图像特征与肿瘤复发区域之间的映射模型，实现胶质瘤高复发风险区域的预测，并在对某个患者的术后图像进行肿瘤复发区域预测时，创新性地在模型中引入该患者术前胶质瘤边缘区域的个体信息，对模型进行迭代更新，建立有效实用的个性化胶质瘤高复发风险区域预测模型和技术，为临床胶质瘤患者的个性化治疗提供依据，辅助指导临床决策。针对该方向的工作，本人已有1篇一区和1篇二区论文（Neuroimage1篇，IEEE transactions on Biomedical Engineering1篇）被录用发表。
v 主要科研课题
1、广州市一般项目，项目编号：201904010417，“有效的影像基因组学方法在AD数据上的应用”，2019.04-2022.03，20万，主持
2、国家自然科学基金青年项目，项目编号：81601562，“阿尔兹海默症影像与基因数据关联分析新方法研究”，2017.01-2019.12，18万，主持
v 代表性论文
[1] C. Wen, H. Ba, W. Pan, M. Huang*. “Co-sparse Reduced Rank Regression for Association Analysis between Imaging Phenotypes and Genetic Variants”, Bioinformatics, 2020, https://doi.org/10.1093/bioinformatics/btaa650. In press. （一区）
[2] M. Huang*, Y. Yu, W. Yang, and Q. Feng*. “Incorporating spatial–anatomical similarity into the VGWAS framework for AD biomarker detection”, Bioinformatics, 2019, 35(24), 5271-5280. （一区）
[3] M. Huang, T. Nichols, C. Huang, Y. Yang, Z. Lu, R. Knickmeyer, Q. Feng*, and H. Zhu*. “Fast Voxelwise Genome Wide Association Analysis of Large-scale Imaging Genetic Data”, NeuroImage, 2015, 118, 613-627. （一区）
[4] M. Huang#, W. Yang#, J. Jiang, Y. Wu, Y. Zhang, W. Chen, and Q. Feng*. “Brain extraction based on locally linear representation-based classification”, NeuroImage, 2014, 92(15), 322-339. （一区）
[5] M. Huang, W. Yang, Y. Wu, J. Jiang, W. Chen, and Q. Feng*. “Brain Tumor Segmentation Based on Local Independent Projection-based Classification”, IEEE Transactions on Biomedical Enginerring, 2014, 61 (10), 2633-2645.
[6] M. Huang, C. Deng, Y. Yu, T. Lian, W. Yang, and Q. Feng*. “Spatial correlations exploitation based on nonlocal voxel-wise GWAS for biomarker detection of AD”, NeuroImage-Clinical, 2019, doi: 10.1016/j.nicl.2018.101642.
[7] M. Huang, W. Yang, Q. Feng*, and W. Chen. “Longitudinal measurement and hierarchical classification framework for the prediction of Alzheimer’s disease”, Scientific Reports, 2017, doi: 10.1038/srep39880.
[8] M. Huang, W. Yang, Y. Wu, J. Jiang, Y. Gao, Y. Chen, Q. Feng*, W. Chen, and Z. Lu. “Content-Based Image Retrieval Using Spatial Layout Information in Brain Tumor T1-Weighted Contrast-Enhanced MR Images”, PLOS ONE, July 16, 2014, DOI: 10.1371/journal.pone.0102754.
[9] Q. Zhang#, J. Cao#, J. Zhang, J. Bu, Y. Yu, Y. Tan, Q. Feng*, and M. Huang*. Differentiation of Recurrence from Radiation Necrosis in Gliomas Based on the Radiomics of Combinational Features and Multimodality MRI Images, Computational and Mathematical Methods in Medicine, 2019, doi: 10.1155/2019/2893043.
[10] M. Huang, W. Yang, M. Yu, Z. Lu, Q. Feng*, and W. Chen. “Retrieval of Brain Tumors with Region-specific Bag-of-Visual-Words Representations in Contrast-enhanced MRI Images”, Computational and Mathematical Methods in Medicine, 2012, doi: 10.1155/2012/280538.
