• 學位論文

利用U-Net卷積網路方法對電腦斷層影像進行肝腫瘤分割之研究

臨床上常利用電腦斷層影像進行肝臟切割、肝臟腫瘤體積計算、肝內血管瘤定量分析等。透過影像分割技術將肝臟器官或病灶進行區分可以應用於腫瘤分期及治療；然而該分割技術大多數採用手動或半自動方式進行分析，使得分析過程需花費較大時間成本。本研究利用深度學習網路架構，對電腦斷層肝臟腫瘤影像進行訓練，以建立自動肝臟腫瘤分割模型。 醫學影像由國際生物醫學影像研討會(International Symposium on Biomedical Imaging, ISBI)提供肝臟腫瘤影像；共有131位病患肝臟腫瘤3D腹部電腦斷層影像及標記影像，影像大小為512×512像素、影像格式為NIFTI；對每位病患3D腹部電腦斷層影像提取出2D肝臟腫瘤切面，共6792張2D肝臟腫瘤影像及其標記影像；標記影像具有肝臟及腫瘤二個部份以作為U-Net切割結果之金標準。每一張2D影像進行3種雙閾值處理後以24位元格式儲存成512×512×3之PNG格式；執行10次隨機選取訓練集與測試集進行U-Net建模同時輸入影像將調整成320×320×3之PNG格式；其中訓練集與測試集的影像張數比例分別為6792張之90%與10%。評估方法為測試集肝臟及腫瘤切割結果之Dice Score及準確度。 經由U-Net網路架構訓練之影像分割模型，於測試集肝臟及腫瘤Dice Score及準確度分別為96.04%及73.70%與96.22%及72.16%。 3種雙閾值處理轉成24位元影像可以提升網路架構學習Dice Score及準確度。未來可以考慮應用於臨床真實影像以及開發全三維影像切割之類神經網路模型。

• 學位論文

一種改良式特徵挑選方法及其於分類分析之應用

本研究提出一種結合最大訊息係數與K中心分群之改良式特徵挑選方法，藉以由大量的特徵中挑選出具鑑別度之特徵，並可進一步建立準確之分類模型。首先，利用最大訊息係數計算每對特徵之間的相似度，以及每個特徵與類別之間的相似度。接著，透過K中心分群演算法將所有特徵分成K群，並由每群的特徵中挑選一個與類別之間具有最大訊息係數之特徵做為代表。最後，可以獲得K個代表性特徵。為了驗證我們方法之優越性，實驗中考慮了四個不同特性的分類資料集與四個分類器，並與其他三種特徵挑選方法進行比較。相較於其他特徵挑選方法，實驗結果顯示我們方法在大多數資料集與分類器之組合條件下具有較好之分類表現。

• 學位論文

校務行政語音助理與智慧音箱應用

本論文以深度學習實作自然語言對話的訊息聊天機器人與Google Voice Kit 智慧音箱校園應用實作。由於校園行政人員與學生互動多半耗費在訊息提問題，這不僅增加行政作業人員的工作量，且無法解決學生的問題。本論文研究的目的是希望解決學生問題提問的分類問題，引導學生到負責問題的窗口，達到迎賓聊天機器人語音服務的目的。論文中的語音及文字訊息處理包含語音轉文字、中文斷詞、詞向量、深度學習模型建置與文字轉語音；其中深度學習模型使用卷積神經網路及長短期記憶神經網路與Google’s Dialogflow實現，並比較三者的差異。本論文收集學生赴行政大樓各處室詢問的語料庫共計372筆，使用卷積神經網路與長短期記憶神經網路模型的訓練正確率均達到96%以上，而使用Google’s Dialogflow正確率僅60%左右。實驗結果發現，使用訓練模型優於Dialogflow 結果。初步探究原因是Dialogflow建立意圖與關鍵實體定義是一個重要的關鍵。

• 學位論文

Kinect人體動作的錯誤修正

為了準確記錄人體動作，近年來已發展出機械式、電磁式、光學式等動作捕捉技術，供醫療、娛樂、訓練、智慧家庭等多元用途。其中光學式深度感測產品價格低廉，但因過多雜訊與自我遮蔽等因素，動作精確度有明顯的不足。為了達到自然人機互動，本研究以改善深度感測動作捕捉技術為目標，目的是降低使用者因自我遮蔽、突然改變運動方向時造成的動作雜訊，產生流暢的骨架動作。此一研究採用Kinect感測裝置取得骨架資料，依據關節運動軌跡及人體關節活動度為基準，對各關節軌跡作雜訊偵測。接著，利用前後骨架資訊預測新的骨架位置，並對新骨架作平滑化處理。最後，將此新骨架與原骨架作比較，以驗證其成效。

• 學位論文

以3D體感技術為基礎的自動化動作訓練與評估

人體動作訓練與評估是復健醫學領域中相當受到重視的問題。透過早期的動作訓練與評估可以即早發現人體動作相關的問題與疾病，特別是發展遲緩的兒童與行動退化的老年人，並進一步用以評估復健治療效果。傳統透過人工量表評量方式顯得太過主觀，且費時費力。本論文提出以3D體感技術為基礎的自動化動作訓練與評估方法，採用Microsoft Kinect攝影機裝置感測受試者人體骨架之三維空間座標數據，並設計每個動作之多重量化評估指標。透過上述多重量化評估指標的即時計算，便可即時評估人體動作。實驗結果顯示，相較於人工評估結果，本方法於各種不同動作a 速度條件下，可達到平均相對誤差率2.2%。此外，對於不同受試者而言，可達到平均相對誤差率12.3%。因此，本方法可提供一個具客觀性、準確性、即時性之自動化動作訓練與評估方法。

• 學位論文

探討肝臟脂肪變性超音波影像於人工智能與數據挖掘方法之分類表現

肝臟脂肪變性已成為現今社會最常見的肝臟疾病，超音波造影不僅是臨床優先、亦是長期追蹤之診斷工具，但是其診斷結果卻受限於操作者主觀判斷。本研究的目的是利用肝臟脂肪變性超音波影像、斑塊雜訊抑制及修剪像素影像特徵，分別利用人工智能模型及數據挖掘方式，建立及探討脂肪肝超音波影像分類模型及其分類表現。 本研究採用回朔性分組實驗設計；收集共299位受試者，包括正常及輕度、中度及重度肝臟脂肪變性之超音波影像，選取感興趣區域及去除斑塊雜訊，萃取影像紋理特徵，包括灰階統計特徵、gray level co-occurrence matrix (GLCM)、gray level run-length matrix (GLRLM)、local binary pattern (LBP)、gray level edge co-occurrence matrix (GLECM)、碎形維度、肝腎比值、肝腎差值以及音波衰減率等。利用數據挖掘及人工智能方法建立肝臟脂肪變性影像分類模型；數據挖掘方法利用相關性檢測法及選用模型準確度篩選合適影像特徵，並使用簡單貝氏分類器及支持向量機分別建立數據挖掘模型。人工智能方法包括使用影像特徵建立巢狀人工智能類神經網路模型及使用肝影像建立卷積神經網路分類模型；採用測試集驗證模型之效能。 簡單貝氏分類器及支持向量機模型準確度分別為0.67及0.70，巢狀人工智能網路及卷積神經網路準確度分別為0.79及0.81。 結果顯示卷積神經網路，在分類脂肪變性超音波影像上是最可行的方法。未來最重要的課題是建立良好的訓練策略，並調校適當的參數，使得模型訓練更有效率且達到更高的準確度。

• 學位論文

利用低劑量電腦斷層影像量化胸骨質密度之研究

研究目的: 由於骨質密度(Bone Mineral Density, BMD)對於年長者及具有其他疾病 患者之生活品質與癒後具有很高重要性。雙能量 X 光檢測儀(Dual-energy X-ray Absorptiometry, DXA)測量結果可為黃金標準。然而，DXA 髖部造影時間長，對 於年長者接受此類檢查常有不舒服感。因此，本研究擬利用電腦斷層掃描 (Computed Tomography, CT)影像與 DXA 建立胸骨骨質密度之模型。同時，考慮 受試者生理參數性別、年齡和身體質量指數(BMI)以及其他疾病條件下，探討 CT 影像評估胸骨骨質密度模型之合理性與差異性。 材料與方法: 本研究將採用回溯性研究收集 49 名；年齡分佈介於 40 到 80 歲； 且同時接受胸部電腦斷層掃描和雙能量 X 光檢測儀之受試者，取得胸骨 CT 影像 和 DXA BMD。經由三維式 CT 影像處理，估算胸骨 CT 影像特徵量化值包括 T1-T12 椎體 ，計算其海綿骨體積、HU (Hounsfield Unit Value, HU value)平均值、 標準差、最小值和最大值，接著依照年齡、性別、BMI、疾病情況分組，建立 DXA BMD 與胸骨 CT 影像特徵值及生理參數的相關性、人工智慧及迴歸模型。 結果: 藉由 CT 胸骨影像能快速地評估 BMD 之數值； CT 胸骨 T3 及 T4 節之 HU 值與 BMD 值及其 T-score 具有高度正相關(r=0.88, r=0.84, P<0.05)。 結論: 本研究顯示，經由 CT T3 與 T4 之骨 HU 值，能對 BMD 進行相關性預測 分析。CT 影像 T4 和 T3 上 HU 的平均值，可以用於快速評估 BMD。 更多有效的案例將在能提升構建更準確的 AI模型。