UP简历小U

+86 138-0000-0000|up.ai.resume@example.com|上海

个人总结

资深脑功能影像分析专家，具备深厚的医学背景理解和神经科学知识。精通多种数据降噪算法与先进的统计学分析方法，致力于从复杂脑影像数据中提取可靠的生物学结论。熟练运用MATLAB、Python等工具进行数据处理和模型构建，在多模态影像数据融合与疾病诊断标志物发现方面拥有丰富经验。期望通过严谨的科研思维和卓越的技术能力，在脑功能影像分析领域实现突破，为神经科学研究和临床应用贡献价值。

工作经历

高级研究员 / 脑影像分析专家

某知名神经科学研究院

2023-08 - 至今

负责多中心fMRI、DTI、结构MRI等脑影像数据的预处理、质量控制及高级统计分析，确保数据处理流程的标准化与可靠性。
主导开发并优化针对高噪声fMRI数据的去噪算法，包括基于独立成分分析（ICA）、回归分析和机器学习（如深度学习降噪）的方法，将数据信噪比平均提升15%，显著提高后续分析的准确性。
深入理解神经精神疾病的病理生理机制，将医学背景知识融入影像数据解释，发现与阿尔茨海默病、帕金森病相关的潜在生物标志物XX项。
利用统计学结论指导研究设计与结果解释，如采用广义线性模型（GLM）、多元回归分析和机器学习分类器构建疾病预测模型，模型准确率达到88%。
撰写并发表多篇高水平学术论文，其中SCI论文3篇，影响因子总计超过10，有效提升团队科研影响力。
指导初级研究员进行数据分析和结果报告，提升团队整体分析能力。

项目经历

基于深度学习的脑肿瘤分割与分类系统开发

中国科学院大学（博士研究项目）

2020-03 - 2023-05

**背景**：传统脑肿瘤分割和分类依赖人工判读，效率低且存在主观性，急需自动化、高精度的解决方案。
**职责**：作为核心研究员，负责系统架构设计、算法选型、模型训练与优化。
**行动**：收集并整理XX例多模态脑肿瘤影像数据（T1, T1ce, T2, FLAIR），进行数据预处理和增强；
采用U-Net和ResNet等深度学习网络架构，结合注意力机制，实现脑肿瘤区域的精确分割；
利用迁移学习和数据增广技术优化模型性能，有效克服小样本问题；
设计并实现基于SVM和随机森林的分类器，对不同类型脑肿瘤进行鉴别诊断。
**成果**：系统在公开数据集上实现了92%的分割Dice系数和90%的分类准确率，显著优于传统方法，为临床诊断提供了有力支持；相关研究成果已发表于IEEE Transactions on Medical Imaging。

静息态fMRI数据降噪与功能连接分析框架构建

复旦大学（硕士研究项目）

2016-09 - 2018-06

**背景**：静息态fMRI数据易受生理噪声（心跳、呼吸）和运动伪影影响，影响功能连接分析的准确性。
**职责**：独立负责降噪算法的调研、实现与功能连接分析框架的构建。
**行动**：系统性研究并实现多种数据降噪算法，包括回归去噪（基于白质、脑脊液信号）、ICA（独立成分分析）和CompCor方法；
开发一套自动化脚本，整合预处理、降噪、功能连接计算（如皮尔逊相关、偏相关）和网络构建流程；
应用该框架分析XX例轻度认知障碍（MCI）患者和健康对照的fMRI数据，对比两组间的功能连接差异。
**成果**：有效降低fMRI数据中的噪声成分，提高功能连接分析的稳定性达20%；发现MCI患者默认模式网络（DMN）连接异常，为MCI的早期诊断提供了新的影像学证据；研究成果在Human Brain Mapping会议上进行了汇报。