- 研究生: 李冠儒
- 畢業學年度: 107
- 相關連結
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。