Author Archives: lorsmip

應用多相式電腦斷層掃描影像偵測肝腫瘤

Posted on by

肝癌(肝腫瘤)長年位居台灣十大癌症死亡率第二名，目前診斷肝癌的方式可透過電腦斷層掃描影像(Computed Tomography，CT)以彌補血液檢查的不足且不具有侵入性。電腦斷層攝影主要是以注射顯影劑後，利用不同的顯影特性判別肝臟和肝癌區域，是現今廣泛使用確診肝癌的工具。放射科醫師透由顯影後產生三相式(Tri-phase:動脈階段、門靜脈階段、延遲階段)影像的亮度特徵診斷病症，連同原始影像將四張影像對齊後來回檢視以確認病徵，大部分的病例在電腦斷層檢查完畢後即可確診為肝癌，然此非常需要醫師的經驗且耗時費力。
近年來的深度學習模型中以H-Dense U-Net在切割肝癌影像上最為知名，然在單一相上須提供大量的訓練資料與人工標記樣本。本篇論文利用影像處理與機器學習來判別肝癌，並仿效放射師判斷肝癌的病徵的方式，在單一相上各僅需要一張影像，更為簡便。然而病患每次呼吸的進氣量不同，造成拍攝各階段間切片序號有些微誤差或產生影像位移，故影像對齊與校準扮演了關鍵因素。此研究計算每張影像之間的最小均方誤差找出相對應的切片序號以俾影像校準的匹配更為精準。後續再利用非剛性轉換中的微分同胚Demons將影像進行校正與對齊，經過對齊的程序後透過Liver Tumor Segmentation Challenge(LiTS)中的訓練資料集讓U-Net學習切割肝臟區域，經由輸入校準過的四張影像讓k-means對各像素點亮度變化做自動分群模擬出醫師判斷肝癌的病徵，最後將病徵作為讓DNN學習的訓練資料以辨識出健康肝臟、血管瘤以及肝癌。最終分析實驗結果驗證本論文所提出的架構與H-Dense U-Net的優缺點。

應用高光譜影像分析杏鮑菇之新鮮程度

Posted on by

食品安全為現行每個國家非常注重的議題，近年來由於硬體與軟體的提升，使得高光譜食品檢測技術逐漸受到重視，其優勢在於能夠利用光譜資訊分析肉眼無法看見的成分，透過每種物質特殊的光譜反應，可以對應回食物中所包含的成分或者食物當下的狀態。相關的研究領域已經應用高光譜檢測技術探討雙孢蘑菇的撞傷和褐化的偵測，然而新鮮度尚未被探討，而食品的新鮮度在食品安全領域中也是一項重要的議題。本論文透過高光譜儀採集放置不同天數不同環境下的杏鮑菇，利用機器學習的演算法分析其光譜與時間的相關性，進而找到判定杏鮑菇新鮮度的光譜特徵與波段。
本論文分為兩階段，第一階段利用近紅外光範圍(900-1700nm)的高光譜儀採集每周杏鮑菇的資料，將數據合併後分析其時間相關性。資料分析使用兩種方法，第一種方法利用機器學習的非監督式學習演算法，尋找隨著時間改變的特徵光譜，並透過波段選擇演算法決定各個關鍵波段的權重，最後應用最小化限制能量法對其權重較高的波段進行偵測；第二種方法利用機器學習的深度類神經網路將放置較久及新鮮的杏鮑菇作為訓練樣本，並利用此模型對其餘的樣本進行測試，隨後統計兩種方法的效能。實驗數據得知兩種方法的結果均隨著杏鮑菇新鮮度呈現往右移動的趨勢，以此用來界定杏鮑菇的新鮮度。第二階段進一步分析可見光範圍(400-1000 nm)與近紅外光範圍(900-1700 nm)的高光譜儀，用於比較杏鮑菇新鮮度的靈敏程度，根據實驗結果比較各時間點的統計分布後，可以發覺可見光範圍搭配深度類神經網路對於估計杏鮑菇的新鮮程度的效能最佳。

基於支持向量機裝置加速度計於腰間之步態分析

Posted on by

步態是一個描述擁有四肢動物移動行為的重要特徵，在神經醫學中步態扮演重要的角色，它提供神經及肌肉運作的資訊。步態疾病有三個主要的面向為感覺缺失、脊髓病變和巴金森氏症，本論文將以脊髓病變病人於走路行為提出量化分析的方法。本論文所採用的步態量測儀器為加速度計，由於加速度計有高取樣頻率、價格相較便宜及便利等等的優點，論文中步態的觀測重點為人行走時重心的變化，故將加速器設置於受測者腰間。步態特徵主要來自時域及時頻域，其中時頻域是以HHT方法轉換達成，資料觀測窗口是基於步態周期(gait cycle)切割，例如:「站立期(stancephase)」、「擺盪期(swing phase)」、「步伐(step)」、「步伐(stride)」。步態特徵萃取是源自觀測視窗資料之統計值，例如:「平均值」、「變異數」。並使用正交子空間投影(OSP)結合資訊理論方法，並以切割假定群組能力來排序特徵。由於不易蒐集大量脊髓型頸椎病(CSM)的案例，所以論文的分類器採用支持向量機(SVM)，並透過實驗結
果證明本分類器可以提供優異的分類效能。

利用機器學習演算法偵測與量化小鼠的疼痛

Posted on by

動物試驗為現行測試藥物的重要流程之一，以止痛藥為例，動物實驗中透過將實驗動物施打藥物或手術等方式使其產生疼痛的感覺，之後再施打測試藥物用以測試該藥物的有效性。然而，實驗動物無法透過言語的方式表達其感受，因此目前以侵入式的測試方式為主，例如透過觸碰其疼痛處並觀察反應用以推測有效性。近年來，相關領域的研究開始探討以小鼠臉部表情偵測疼痛的可行性，文獻中雖然透過實驗設計證實此方法的可行性，但是實驗方法依然以小鼠專家的人工方式進行判讀，人工判讀方式容易因為個人的經驗與精神狀態而有分歧，並且難以量化疼痛的反應，因此無法用於長期疼痛的監測。本論文建立於相關文獻的基礎之上，開發自動化的系統透過小鼠的臉部表情進行自動辨識，論文中將利用機器學習的演算法自動學習小鼠臉部表情代表疼痛的特徵，取代人工判讀的部分，自動化整個流程以達到長期監測疼痛的目的。本論文共分兩階段，第一階段著重在偵測疼痛的部分，此階段利用監督式與非監督式機器學習演算法，學習小鼠臉部疼痛以及非疼痛時的臉部特徵變化量，臉部特徵又分為手動標示與自動學習的部份，比較兩者的偵測率與效能之差異。第二階段延伸第一階段的結果，加入線性回歸的特性針對疼痛進行量化。實驗部分為了評估機器學習算法的準確性，本研究使用高速攝影機錄製不同實驗設定的小鼠影片，實驗分別使用相同劑量的辣椒素和弗飾佐劑，和不同劑量的雙氯芬酸，前者用以蒐集疼痛時小鼠的影像訓練分類器，後者以不同劑量的止痛劑評估演算法的有效性。最後將機器判斷的預估結果和小鼠專家進行比較，實驗結果驗證本論文提出架構之可行性與效能，期待本論文的貢獻未來可以用以突破監測疼痛的技術瓶頸。

應用影像統計分析法量測腦脊髓液

Posted on by

神經外科中的腰椎椎管狹窄症主要是因為老化造成腰椎退化後，促使椎間孔局部或廣泛性的狹窄，因而讓腦脊髓液減少。該病症目前診斷的方式多是具有經驗的神經外科醫師以目測的方式判讀磁振造影影像。然而，若要定量化分析則必須以人工方式圈選腰椎椎管後，輔以軟體測量圈選範圍的面積，這樣的方式除了必須依靠醫生主觀經驗外，亦需要消耗龐大人力資源，難以建立量化的數據。

近年來因為人工智慧的蓬勃發展，電腦視覺與影像處理的技術在醫學影像上的應用更為廣泛應用，過去的參考文獻中曾利用腦脊髓液於磁振造影T1與T2上亮度作為分類特徵，透過非監督式分類器分割腦脊髓液並計算其區域面積。然而，此一方式假設訓練與測試樣本的亮度分布必須相似，否則將使得分類器效能大幅降低。

本論文將延續先前的研究成果進一步提出兩種方式，用以提升分割腦脊髓液區域的效能。第一種方式為頻帶擴展，此一技術利用了隨機程序的概念，將原始影像視為一隨機變數，並藉由不同隨機變數之間的關聯性以及非線性統計量產生新的波序，與原始波段合併後以補足缺乏之光譜值，藉此提升分類的效率。第二種方式為利用統計因子(Skewness)的非監督式影像門檻化演算法，此一方法導入了隨機變數的概念，配合動差生成函數(Moment Generating Function)，有效地減低分類器在狹窄症嚴重等級較高案例的分類錯誤並提升效能。本論文於實驗設計中比較幾種不同方式的效能，其中包含頻帶擴展以增加特徵數量、深度學習中U-Net網絡以切割腦脊髓液、以及利用統計因子設計的影像門檻化演算法。實驗結果除了相互比較腦脊髓液的面積之外，並以腰椎狹窄症的病徵等級作為對應，藉以比較不同演算法之間的效能。

應用卷積神經網路於光達影像上分類樹冠

Posted on by

森林的保護與管理在生態系統扮演著至關重要的角色，而遙測技術提供了一個便捷有效的方法來蒐集森林的資訊，特別是複雜的山區地形更加劇了森林調查的相關工作，人工實地勘查往往費時又費力。光學雷達(LiDAR)影像已然廣泛地被應用於量測林木高度及偵測樹冠，高解析度的光達影像促成了許多提取樹冠資訊演算法的開發，更能獲取詳盡的林地資料。
一個基於光達影像開發的樹冠偵測與描繪演算法的問題，是如何調整演算法中的參數或是閥值，諸如區域極值過濾(Wulder et al., 2000; Pouliot et al., 2002)，或是樣板匹配(Pollock, 1996)等等，都需要基於一些背景知識的假設，使得演算法能提升準確率抑或降低誤判率，由於自然林地生長環境多變，樹與樹之間為了兢爭生存空間枝節交錯，或是因光達影像取樣率不同，致使原先的假設改變，因此演算法在設定參數或閥值時便有了限制。
本篇研究旨在使用卷積神經網路(CNN)分類器於樹冠辨識的演算法，樹冠候選由改良的區域極值演算法所偵測，藉由卷積層提取的特徵將眾多的樹冠候選分類，卷積網路在處理空間相依度高的資料十分有用，描述這些不規則形狀的樹冠非常強大，結果顯示卷積層能夠提取樹冠於深度影像上的主要資訊，卷積網路提供了特徵提取並且很好的分類出樹冠與誤判的非樹區域。

應用影像處理技術量測腦脊髓液

Posted on by

腰椎椎管狹窄症（Lumbar Spinal Stenosis），主要的成因為腰椎因退化而產生骨刺或黃韌帶肥厚造成腰椎體間結構的改變，促使脊髓管腔、椎間孔局部或廣泛性的狹窄，因而造成腦脊髓液的減少，其狹窄的結果會造成神經根或馬尾部神經受到壓迫，或局部的神經淤血產生臨床症狀。
目前的診斷方式大多為醫師透過核磁共振造影影像進行判斷，核磁共振造影由於運用射頻波激發體內水、脂肪中的氫原子共振進而產生不同強度的信號所製造出的影像，再利用弛緩時間差異產生的T1、T2成像圖，其中因為腦脊髓液反應在核磁共振造影的T2成像下較為明顯，因此醫生大多利用T2成像作腰椎椎管狹窄症的重要診斷依據。
目前腰椎椎管狹窄症多半透過醫生肉眼進行診斷，因此多半必須依靠個人經驗，難以建立量化數據，也無法追蹤術後的復原狀況。近年來由於電腦軟硬的快速發展，使得數位影像處理成為一個熱門的應用，先前的文獻中[1-2]透過影像處理的方式，利用腦脊髓液於T1與T2成像圖上的特徵，用以分類該區域並計算其面積。然而，之前的文獻所提出的演算法必須同時利用T1與T2成像的特徵，但是在實際的運作上，由於醫師多半僅利用T2成像進行診斷，因此許多案例所拍攝的磁振造影缺失T1成像圖，導致先前提出的演算法無法運作。
本論文為了克服T1成像所缺失的腦脊髓液之頻譜特徵，透過腦脊髓液於T2成像中的空間特徵，開發影像處理演算法來分類脊髓液的區域，並用以量測該區域面積。期待本研究的貢獻為醫生提供更準確的診斷工具，並且使病患得以於術後進行長期追蹤。

應用高光譜影像分析偵測早期感染黃葉病之蝴蝶蘭植株

Posted on by

台灣為蝴蝶蘭的原生產地之一，由於擁有理想的氣候環境，非常適合蝴蝶蘭生長，造就台灣的蝴蝶蘭種源豐富，近年來對蝴蝶蘭的品種改良和栽培下，新品種不斷育成，促使台灣成為世界蝴蝶蘭的主要供應地區之一，於國際間有「蝴蝶蘭王國」的美稱。 近來蝴蝶蘭常會出現葉片黃化、落葉、葉鞘出現黑色壞疽的黃葉病，此現象農民一般稱為「黑頭」，嚴重者甚至造成植株死亡，此病害嚴重降低蝴蝶蘭的價值。台灣的蘭花出口方式以海運為主，由於海運耗時較長，加上黃葉病的潛伏期長，因而導致海運前的黃葉病初期感染難以用肉眼辨識，運抵後才出現病癥的情況，嚴重減損蝴蝶蘭的出口價值，因此本論文將透過紅外光波段的高光譜影像，開發早期偵測黃葉病植株的技術。 傳統的數位影像多半僅能涵蓋可見光範圍的少數光譜波段，因此傳統的影像處理必須依靠空間解析度來偵測目標物，若目標物為影像中無法清晰的呈現，則無法透過傳統的數位影像進行偵測。高光譜影像是結合細微的光譜與空間解析度的高維度影像，光譜的涵蓋範圍包含紫外光、可見光與近紅外光，相較於傳統的數位影像，可以透過光譜特徵用以偵測肉眼不可見的目標物，因此高光譜影像非常適合用來偵測早期感染黃葉病的植株。 本論文利用近紅外光範圍(900-1700 nm)的高光譜影像分析技術來偵測早期感染黃葉病的蝴蝶蘭植株，為了蒐集黃葉病的光譜特徵，本論文透過人工接種病原菌的方式來進行樣本收集，之後採用進紅外光範圍的高光譜成像儀來採集光譜影像資料。高光譜影像資料分析部分則是先透過正交子空間投影(orthogonal subspace projection)和最大連通元件、形態學影像處理來擷取出葉片部分，之後再透過波段選擇演算法用以壓制干擾並找出黃葉病所影響的光譜波段，將所選擇的波段透過Neyman Pearson偵測器來偵測早期感染黃葉病的區域，另外加上黃葉病的感染豐量估測來補助偵測器的偵測結果，並嘗試提高偵測效率。

利用梯度向量蛇行演算法改進多層次形態學動態輪廓演算法

Posted on by

早期的遙測技術皆以人工判讀影像，然而此一方式除了耗費大量的人力與工時之外，判讀的結果也存在客觀性的問題。因此近來許多影像辨識與自動化判讀的技術紛紛被提出，其中之一為多層次型態學動態輪廓演算法(MMAC)，此演算法利用由下而上的侵蝕(Bottom-up erosion)找出樹冠做為種子，進一步透過形態學與主動輪廓演算法描繪出樹冠。此一演算法能夠有效地提升山區的樹木偵測率，然而由於其演算法的設計，對於樹木的偵測是利用區域最大值及樹冠具有圓形的特徵，因此容易將樹枝誤判為獨立的樹木，增加樹木數量的誤判，並無任何機制針對所找出的樹冠進行篩檢。另外此演算法也面臨運算量龐大的問題，使得此演算法難以運用於大面積的遥測影像。
本論文將修改多層次形態學動態輪廓演算法，導入梯度向量蛇行演算法，藉以解決上述了兩大問題。論文中保留了MMAC向上侵蝕技術找出樹冠頂端做為種子，利用梯度向量蛇行演算法將種子輪廓拓樸到真實樹冠所在位置，經由本論文實驗結果驗證，將可以有效提升樹冠的偵測率及輪廓描繪的速度。

基於希爾伯特轉換之步態分析

Posted on by

步態是在現代醫療和診斷的重要指標，許多研究都以步態作為主要的研究主題，並嘗試將步態信號用於各項醫療用途。神經外科中，步態可以視為是由神經與肌肉的協調動作，隨著年齡增長，肌肉和神經的傳輸速度的強度之間將會減少。從醫學角度來說，步態可以當作一個指標作為神經系統的傷害或退化程度，所以建立客觀和定量化步態分析是相當重要的。
傳統的步態分析方法常只限於在實驗室環境，利用複雜儀器記錄人的步態動作，然而這些方法很難反應出現實生活中的步態。為了解決此限制，本論文研究如何透過現今普及的智慧型手機進行步態分析。所提出的方法利用智慧型手機中的三軸加速度傳感器採集步態信號，再利用三軸信號之間的關係將步態的七個週期區分出來，最後透過希爾伯特轉換分析步態信號在頻率域與時域之間的特徵。
本論文首先利用四種演算法將步態信號拆解為基本信號，四種演算法包含經驗模式分解（Empirical Mode Decomposition）、多變量經驗模式分解（Multivariate Empirical Mode Decomposition）、獨立成分析（Independent components analysis）、主成分分析（Principal components analysis），再透過希爾伯特轉換分析步態的頻率域與時域。本論文有兩大貢獻，第一個為探究智慧型手機用於步態分析的能力，第二個則是透過本論文提出的分析方法，找出重要的步態指標，用以提供醫護人員診斷上的重要依據。根據本論文的實驗中，可以驗證所提出的分析方法即使在低階的手機，也能夠找出重要的步態資訊與特徵，可做為醫護人員與患者長期追蹤的重要指標。