• 研究生: 李慈琇
• 畢業學年度: 112
• 相關連結

在肝臟疾病的診斷過程中，放射科醫師通常會利用多項式電腦斷層掃描影像來判斷肝臟病變，透過觀察、分析每個病灶在不同掃描項之間的顯影特性來確定病灶的位置與類別。然而，準確的診斷往往需要仰賴放射科醫師豐富的知識與長期累積的臨床經驗，考量到現今醫學人力資源短缺的情況下，這個診斷方式可能會增加醫療工作者的負擔，因此，電腦輔助診斷系統的發展愈來愈受到關注。
近年隨著電腦運算能力的提升與人工智慧技術的發展，愈來愈多領域開始應用機器學習和深度學習技術來推動自動化系統的開發，醫療領域亦不例外，而肝臟病灶的切割與分類相關研究更是不虞匱乏。由於多相式掃描相對於單項掃描能提供更為詳細且豐富多元的資訊，進而產生更為精確的結果，近期的相關研究主要偏向使用多項式電腦斷層掃描影像作為研究資料。然而，雖然現階段的研究皆能達到良好的準確率，但是大多數的研究都只關注單一任務，例如：偵測、切割、分類，這樣單一任務的方法在效率的提升上還有進一步優化的空間。
本論文引入了多任務學習的技術於肝臟疾病切割與分類之研究中。長期以來，由於收集到的資料量有限，訓練神經網路模型在病灶的分類上時常出現過擬合的問題，導致模型難以取得良好的結果。然而，透過多任務學習的特點成功解決了這個問題，因為多任務學習中的參數共享增強了模型的泛化能力，大幅減少過擬合的問題。此外，該多任務模型將切割與分類兩項任務整合到單一框架之中，進而提升了整體的效率。最終，為了評估所提出的多任務模型的有效性，我們將其與多種當前最先進的切割與分類模型於我們的資料上進行比較。結果顯示，我們的多任務模型在分類任務上優於其他模型，並在切割結果中取得與頂尖模型相當的性能。