于韦斯屈莱大学信息技术学院的在读博士生，师从 Timo Hamalainen 教授、丛丰裕教授和徐宏明副教授。我的研究涉及开发深度学习模型，以满足组织病理学图像、核磁共振成像等高维复杂数据的需求。 我主要关注以下挑战： 首先，如何表示具有数百亿像素的整个幻灯片图像。其次，如何利用纵向磁共振成像数据准确预测治疗反应。以及，如何高效地进行多模态特征融合。
郝欣宇
博士在读
简介
教育
芬兰于韦斯屈莱大学
信息技术学院 - 博士
2021 - 2025
大连理工大学
软件学院 - 硕士
2018 - 2020
山西大学
软件学院 - 学士
2014 - 2018
研究经历
基于多参数磁共振成像的深度全监督学习
核磁共振成像已成为确定乳腺癌新辅助疗效必不可少的手段。然而，MRI数据通常具有丰富的图像级注释，但病灶级注释却很少，或者更常见的是根本没有注释。为了最大限度地利用不同的注释信息，我们提出了一种基于深度全监督概念的联合学习方法，结合弱监督和半监督学习，预测治疗的早期反应。
基于纵向磁共振成像数据的治疗反应预测
乳腺癌患者的新辅助治疗是一个与时间相关的过程，每位患者都会接受多次治疗，并进行多次MRI检查。如果只利用患者的基线MRI数据，就会丢失时间信息，无法有效利用病程变化进行诊断。因此，我们将利用患者在不同治疗时间点的数据来学习时空特征，为预测新辅助治疗的疗效提供完整的见解。
多模态知识蒸馏
目前流行的多模态整合方法通常假定在训练和测试阶段均可获得病理组学和基因组学数据，却忽视了因成本过高而导致数据缺失的挑战。我们提出了一种名为 MCFGN 的多模态循环特征生成网络，它能促进病理组学和基因组学之间的循环转换，提高癌症诊断的准确性。在测试阶段，这种方法可以利用纯病理图像作为生成联合表征的输入。
资助
2025年海外博士后引进计划资助
国家留学基金委创新项目资助
技能
语言
流利的英语表达和写作能力
编程
熟练掌握Python、Pytorch等编程语言
研究成果
- Hao, X., Xu, H., Zhao, N., Yu, T., Hamalainen, T. & Cong, F. (2024). Predicting pathological complete response based on weakly and semi-supervised joint learning in breast cancer multi-parametric mri. Biomedical Signal Processing and Control, 93, 106164
- Hao, X., Xu, H., Zhao, N., Yu, T., Hamalainen, T. & Cong, F. (2023). Predicting pathological complete response based on weakly and semi-supervised joint learning from breast cancer mri, In 2023 45th annual international conference of the ieee engineering in medicine & biology society (embc). IEEE.
- Hao, X., Zheng, D., Khan, M., Wang, L., Hamalainen, T., Cong, F., Xu, H. & Song, K. (2023). Machine learning models for predicting adverse pregnancy outcomes in pregnant women with systemic lupus erythematosus. Diagnostics, 13(4), 612.
- Zheng, D., Hao, X., Khan, M., Wang, L., Li, F., Xiang, N., Kang, F., Hamalainen, T., Cong, F., Song, K. Et al. (2022). Comparison of machine learning and logistic regression as predictive models for adverse maternal and neonatal outcomes of preeclampsia: A retrospective study. Frontiers in Cardiovascular Medicine, 9, 959649.
- Wang, R., Qiu, Y., Hao, X., Jin, S., Gao, J., Qi, H., Xu, Q., Zhang, Y. & Xu, H. (2024). Simultaneously segmenting and classifying cell nuclei by using multi-task learning in multiplex immunohistochemical tissue microarray sections. Biomedical Signal Processing and Control, 93, 106143.
- Jin, S., Xu, H., Dong, Y., Wang, X., Hao, X., Qin, F., Wang, R. & Cong, F. (2024). Ranking attention multiple instance learning for lymph node metastasis prediction on multicenter cervical cancer mri. Journal of Applied Clinical Medical Physics, e14547.