• 研究生: 葉懿賢
• 畢業學年度: 108
• 相關連結

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。