器官本身一样，收集到的关于大脑的数据非常复杂，需要复杂的方法进行分类和分析。当前的方法涉及拓扑(它是提供数据图片的数学模型)或机器学习(这是显示趋势的统计模型)。两者都无法处理可用数据量。

德克萨斯大学阿灵顿分校计算机科学与工程学系副教授黄军周将使用美国国家科学基金会(National Science Foundation)拨款21万美元，探索如何结合这两种方法来更准确地预测未来数据的结果。纽约城市大学的Chao Chen是该项目的首席研究员。

脑研究依赖于功能性磁共振成像数据，这些数据非常复杂，多尺度且异质。这些包括病理图像或放射图像，以及从同一患者身上捕获的组学数据，例如基因组学，蛋白质组学或代谢组学。

当前，此数据的分辨率很高-图像的尺寸可能为100万像素乘以100万像素，而手机屏幕的尺寸可能为1000×1000像素-每条数据可能为1 TB，即100万像素兆字节或更多。将这些大文件中的几个合并成一个整体视图，会产生大量数据，这些数据对于当前技术来说太大了。

Huang希望将分析3-D数据并提供全局信息的拓扑与依赖于历史或统计数据的机器学习结合起来，使他能够更改当前模型并预测未来数据的结果。

Huang说：“拓扑和机器学习是非常不同的方法，但是它们可以一起将数据分解为更易于管理的单元。”“拓扑可以使医生或研究人员快速识别出他们需要的数据，然后机器学习可以填充精细的细节，从而使过程更快，更准确。”

Huang于2016年获得了美国国家自然科学基金会教师早期职业发展资助，以开发一种使用机器学习来收集高度复杂的基因组数据的过程，该数据类似于他将在新的资助中使用的大脑数据。

他的研究是数据驱动发现领域创新思维的一个实例，这是UTA 2020年战略计划的主题之一：大胆的解决方案|全球影响力说，洪江，Wendell Nedderman主席兼计算机科学与工程系教授。

江说：“黄博士通过创新性的解决方案，不断突破大数据分析的极限。”“如果他成功了，对于需要快速分析和评估患者数据的医生来说，这种新方法可能是非常重要的工具，因为