研究队伍
当前位置:首页 > 研究队伍 > 隋 婧
隋 婧    博士,研究员
隋婧,1980年10月生,博士,现为中国科学院自动化研究所研究员、博导、IEEE高级会员。2002年毕业于北京理工大学光电工程系,2007年在北京理工大学获得光学工程博士学位。2007-2013年在美国神经影像研究所The Mind Research Network工作,历任博士后、研究科学家和助理教授。2013年入选中国科学院“百人计划”, 加入中科院自动化所模式识别国家重点实验室和脑网络组中心工作至今。2010年获得The Mind Research Network优秀青年科学家奖。目前主持地科研项目包括科技部863计划、国家自然科学基金面上项目和中科院百人计划各一项。担任国家自然科学基金委、国家留学基金委、Wellcome Trust基金等项目评委,《中国生物医学工程学报》编委和30余种国际期刊的审稿人。
主要研究方向及内容

1、多模态脑影像分析的机器学习算法研究
目前脑影像的获取有高维、异构、多模态、精细化的趋势,而被试样本量往往大大低于脑影像特征的维度,因此基于宏观脑影像的数据挖掘具有相当的难度和挑战性。通过研发先进的机器学习和模式识别方法,如多模态脑影像融合技术、智能特征提取及分类技术等,可将其应用于脑疾病的磁共振数据分析,帮助人们从多个角度(如人脑的功能、结构和解剖连接等)更加深入的理解脑疾病的病理机制,寻找神经精神疾病患者脑损伤的影像学标记,具有重要的临床应用价值。

2、基于宏观精细脑图谱的脑网络构建与应用
弥漫性脑损害所造成的脑疾病(如抑郁症等)通常是在多个脑区交互作用的脑网络存在功能损伤,因此脑疾病的影像学研究可以从基于精细亚区的网络水平多角度展开。本方向以最新的脑网络组精细图谱为基础,构建基于精细亚区的脑网络,考察多种网络的动静态拓扑属性在脑疾病中的异常体现;并利用先进的模式识别方法对海量精细脑网络数据进行训练学习,实现在宏观脑影像亚区水平上发掘潜在的、与脑疾病及其临床指标相关的有价值的信息。

3、基于类脑智能信息提取的脑疾病生物标志鉴定
神经精神疾病的诊断目前仍主要基于临床量表评分和医生的主观经验,从海量脑影像数据中提取客观的影像学标志,并以此预测病患的病情发展、治疗恢复、认知行为能力等情况是当前精准医疗研究的热点和前沿。我们将在这一方向切入,借鉴深度学习等类脑智能信息分析方法,结合多中心海量脑影像大数据开展分析和交叉验证。研究超复杂数据集的组织和挖掘技术,发掘一系列脑疾病的生物学标志,实现对于多种脑疾病的早期诊断和疗效预测,为临床个性化治疗提供决策上的支持,并带来丰富的社会和医疗效益。

代表性论文

Sui J*, Pearlson, G.D., Du, Y., Yu, Q., Jones, T.R., Chen, J., Jiang, T., Bustillo, J., Calhoun, V.D., 2015. In Search of Multimodal Neuroimaging Biomarkers of Cognitive Deficits in Schizophrenia. Biological Psychiatry.78(11):794-804

Sui J*, Huster R, Yu Q, Judith M. Segall, Vince D Calhoun. 2014. Function-Structure Associations of the Brain: Evidence from Multimodal Connectivity and Covariance Studies. Neuroimage. 102:11-23.

Sui J*, He H, Pearlson GD, Adali T, Yu Q, Clark VP, White T, Mueller BA, Ho BC, AndreasenNC, Calhoun VD. 2013. Three-Way (N-way) Fusion of Brain Imaging Data Based on mCCA+jICA and Its Application to Discriminating Schizophrenia.Neuroimage. 2(66):119-132.

Sui J*, He, H., Yu, Q., Chen, J., Rogers, J., Pearlson, G.D., Mayer, A., Bustillo, J., Canive, J., Calhoun, V.D., 2013. Combination of Resting State fMRI, DTI, and sMRI Data to Discriminate Schizophrenia by N-way MCCA + jICA. Front Hum Neurosci 7, 235.

Sui J*, Adali T, Yu Q, Calhoun VD. 2012. A Review of Multivariate Methods for Multimodal Fusion of Brain Imaging Data. Journal of Neuroscience Methods. 204(1): 68–81.

Sui J*, Pearlson GD, Adali T, Caprihan A, Liu J, Yamamoto J, Calhoun VD. 2011. Discriminating Schizophrenia and Bipolar Disorder by Fusing FMRI and DTI in a CCA+ICA Based Model.  Neuroimage. 57(7):839-855.

Sui J*, Adali T, Pearlson GD, Yang H, Sponheim SR, White T, Calhoun VD 2010. A CCA+ICA Based Model for Multi-Task Brain Imaging Data Fusion And Its Application to Schizophrenia. Neuroimage. 51(5):123-134.

Sui J*, Adali T, Pearlson GD, Calhoun VD. 2009. An ICA-based method for the identification of optimal FMRI features and components using combined group-discriminative techniques. Neuroimage 46(1):73-86.

Sui J*Adali T, Pearlson GD, Clark VP, Calhoun VD. 2009. A method for accurate group difference detection by constraining the mixing coefficients in an ICA framework. Hum Brain Mapping 30(9): 2953-2970.

Jie N, Zhu M, Ma X, Osuch E, Wammes M, Theberge J, Li H, Zhang Y, Jiang T, Calhoun, VD, Sui J* (2015) Discriminating bipolar disorder from major depression based on SVM-FoBa: efficient feature selection with multimodal brain imaging data. IEEE Transactions on Autonomous Mental Development. 7, 320-331.

Plis, S.M., Sui J., Lane, T., Roy, S., Clark, V.P., Potluru, V.K., Huster, R.J., Michael, A., Sponheim, S.R., Weisend, M.P., Calhoun, V.D., 2015. High-order interactions observed in multi-task intrinsic networks are dominant indicators of aberrant brain function in schizophrenia. Neuroimage102:35-48.

Yu Q, Erhardt E, Sui J, Du Y, He H, Hjelm D, Cetin M, Rachakonda S, Miller R, Pearlson GD, and Calhoun VD. 2015. Assessing dynamic brain graphs of time-varying connectivity in fMRI data: Application to healthy controls and patients with schizophrenia. Neuroimage 107:345-355.


实验室网址:http://www.brainnetome.org/en/people/132-solution/people/446-jing-sui.html
E-mail: jing.sui@nlpr.ia.ac.cn
电话:010-82544518