个人简介
钱晓华,长聘教轨副教授、博士生导师。曾为美国德克萨斯大学生物医学信息学院助理教授；还先后任职于中科院上海高研院和美国维克森林大学医学院；吉林大学电子工程和美国杜克大学医学物理专业联合培养博士。现任上海市生物医学工程学会生物医学信息专委会秘书长。主要研究兴趣是医学图像处理和计算机视觉。目前主持国自然面上、上海市面上、省级科技转化课题、企业横向以及医工交叉等课题，作为骨干参与张江重大项目和上海交大重大项目STAR计划等；并以第一作者/通讯作者发表Nature Communications, Med Image Anal, IEEE Trans. Med Imaging, IEEE Trans. Multimedia, IEEE Trans. Fuzzy Syst., IEEE Trans. Neural Syst. Rehabilitation Eng., IEEE J Biomed Health Inform等领域权威期刊论文。
主要研究课题：
1）胰腺癌临床诊断与治疗全过程的影像智能算法体系研究，包括胰腺癌筛查与早期诊断，胰腺癌检测与分割，胰腺癌淋巴转移/良恶性的分析和预测，以及胰腺癌手术可切除性分析等。
2）运动功能视频评估的核心算法体系研究（包括帕金森病运动迟缓、震颤、僵直、站立平衡和步态等），以及在临床诊断与评估、远程医疗和居家管理等方面的应用，并拓展到脑瘫、斜颈、中风等疾病的视频自动评估。
此外，还持续开展了脑胶质瘤真假进展分析，和运动与康复相关的视频动作分析与应用。
主要学术贡献：
首次系统性地提出了医学图像的小样本细粒度分析技术，形成了1）时空细粒度特征挖掘技术体系（MEDIA, 2022; IEEE TMM, 2022; IEEE TCSVT, 2022; IEEE TNSRE, 2020；授权发明专利2项、公开发明专利4项），实现了空间区分性结构、时间全局连贯性和远程依赖性特征的挖掘；和2）一种“内挖潜力和外借信息”驱动下的图像信息多样化挖掘技术体系（MEDIA, 2022; IEEE TMI, 2021, 2022; IEEE JBHI 2022；公开发明专利4项），原创性提出了利用空间变换来充分挖掘数据潜力，实现扩增样本的多样化；并成功应用于帕金森症智能评估和胰腺癌术前智能评估。
教学工作
数据结构（工科平台，大一）
生物医学工程中的数据挖掘 （研究生课程）
软件版权登记及专利
(1) 钱晓华; 李钧; 多模态医学图像分割方法、系统、存储介质及电子设备2020-02-24, 中国, CN2020101124914
(2) 钱晓华; 陈夏晗; 基于多模态的深度学习预测方法、系统、介质及设备2020-02-18, 中国, CN2020100986849
(3) 钱晓华; 陈夏晗; 深度学习中螺旋变换数据扩增方法、系统、介质及设备2020-02-18, 中国, CN202010098682X
(4) 李强; 庄吓海; 钱晓华; 一种左心室心肌的分割方法和装置, 2019-04-23, 中国, CN104978730B.
荣誉奖励
2019年上海交通大学社会实践优秀指导教师
2019-2020年上海交通大学生物医学工程学院优秀班主任
2021年上海交通大学优秀班主任
研究领域
医学图像处理与分析，机器学习与深度学习（图神经网络）的算法研究，包括图像（视频）的细粒度分类与预测，医学图像的检测与分割，以及健康大数据挖掘与分析；主要解决的技术挑战：小样本和细粒度分析，模型的稳定性与泛化性，以及高维数据挖掘（特征选择）与分析。
近期论文
查看导师最新文章
（温馨提示：请注意重名现象，建议点开原文通过作者单位确认）
1. J. Li#, T. Chen#, X. Qian*, Generalizable Pancreas Segmentation Modeling in CT Imaging via Meta-learning and Latent-space Feature Flow Generation. IEEE Journal of Biomedical and Health Informatics, 09, 2022.
2. X. Song#, J. Li#, X. Qian*. Diagnosis of Glioblastoma Multiforme Progression via Interpretable Structure-Constrained Graph Neural Networks. IEEE Transactions on Medical Imaging, 08, 2022.
3. R. Guo, H. Li, C. Zhang, X. Qian*. A Tree-Structure-Guided Graph Convolutional Network with Contrastive Learning for the Assessment of Parkinsonian Hand Movements. Medical Image Analysis, 07, 2022.
4. R. Guo, J. Sun, C. Zhang, X. Qian*. A Contrastive Graph Convolutional Network for Toe-Tapping Assessment in Parkinson's Disease. IEEE Transactions on Circuits and Systems for Video Technology, 07, 2022.
5. R. Guo#, J. Sun#, C. Zhang, X. Qian*. A Self-Supervised Metric Learning Framework for the Arising-from-Chair Assessment of Parkinsonians with Graph Convolutional Networks. IEEE Transactions on Circuits and Systems for Video Technology, 03, 2022.
6. J. Li#, L. Qi#, Q. Chen, Y. Zhang, X. Qian*. A Dual Meta-Learning Framework based on Idle Data for Enhancing Segmentation of Pancreatic Cancer. Medical Image Analysis, v.78, 2022
7. X. Chen, Z. Chen, J. Li, Y. Zhang, X. Lin, X. Qian*. Model-driven Deep Learning Method for Pancreatic Cancer Segmentation Based on Spiral-transformation. IEEE Transactions on Medical Imaging, 41(1), 2022.
8. J. Li, C. Feng, X. Lin, X. Qian*. Utilizing GCN and Meta-Learning Strategy in Unsupervised Domain Adaptation for Pancreatic Cancer Segmentation. IEEE Journal of Biomedical and Health Informatics, 26(1), 2022.
9. R. Guo, X. Shao, C. Zhang, X. Qian*. Multi-scale Sparse Graph Convolutional Network for the Assessment of Parkinsonian Gait. IEEE Transactions on Multimedia, v.24, 2022.
10. X. Song#, M. Mao#, X.Qian*. Auto-Metric Graph Neural Network Based on a Meta-learning Strategy for the Diagnosis of Alzheimer's disease. IEEE Journal of Biomedical and Health Informatics, 25(8), 2021.
11. X. Chen, X. Lin, Q. Shen, X. Qian*. Combined Spiral Transformation and Model-driven Multi-modal Deep Learning Scheme for Automatic Prediction of TP53 Mutation in Pancreatic Cancer. IEEE Transactions on Medical Imaging, 40(2), 2021.
12. R. Guo, X. Shao, C. Zhang, X. Qian*. Sparse Adaptive Graph Convolutional Network for Leg Agility Assessment in Parkinson’s Disease. IEEE Transactions on Neural Systems & Rehabilitation Engineering, 28(12),2020.
13 G. Xu, J. Reboud, Y. Guo, H. Yang, H. Gu, C. Fan*, X. Qian*, J. M. Cooper*. Programmable design of isothermal nucleic acid diagnostic assays through abstraction-based models. Nature Communications, 13(1), 2022. (共同通讯作者)
京公网安备 11010802027423号