• 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。

• 研究生: 游東樺
• 畢業學年度: 108
• 相關連結

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。

• 研究生: 王浩軒
• 畢業學年度: 105
• 相關連結

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。

• 研究生: 楊晉瑋
• 畢業學年度: 104
• 相關連結

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。

• 研究生: 黃冠勝
• 畢業學年度: 101
• 相關連結

步態在醫療照護上及醫學上是一個相當重要指標，在神經外科中，步態可以視為是由神經與肌肉的協調動作，然而目前的醫學診斷方式，主要是以醫生的主觀判定，但因不同醫師的主觀判定而有所不同，難以建立長期的追蹤與察覺其細微的變化。
步態分析可以用來評估及測量人類走路的行為模式。近年來大多數相關研究專注於將步態資訊量化，用以尋找與其相關的病因，然而大多數的方法需要侷限測試者於預設的實驗空間，並利用精密的儀器蒐集與分析步態資料。此方式難以反應日常生活中的情況。為了解決此限制，本論文以智慧型手機內嵌三軸加速器作為收集資料的感測器，並且將頸椎受傷的病人作為實驗目標，收集步態信號，進一步分析病人於手術前後的步態信號差異，建立一個統計量表提供量化分析的依據，除了可以與醫學相關病徵做連結對應之外，並提供病人與家屬一個復原的指標。
本論文中利用步態訊號於三軸加速器之特性分割步態週期，以三種訊號處理分析演算法包括傅立葉轉換（Fourier Transform）、短時傅立葉轉換（Short-time Fourier transform）、希爾伯特-黃轉換（Hilbert-Huang Transform）經驗模態分解（EMD），並採用統機分析的方法，制訂量化標準來幫助判斷手術前於手術後的顯著區別。並期待本論文的貢獻於未來能夠提供醫護人員，與診療復健相關細微難以查覺的步態資訊外，並可以成為病人自身的參考指標。