義守大學資訊工程學系學位論文
義守大學,正常發行
選擇卷期
已選擇0筆
- 學位論文
開發機器學習算法用於疾病早期診斷的預測模型是人工智能的一個有用應用。這是非常明顯的，因為在學術和醫學領域對該主題進行了多次研究嘗試。為了檢測某種疾病的存在，出現症狀的人需要進行幾次實驗室檢查和檢測試劑才能獲得準確的結果。此外，如果疾病具有傳染性，則需要實時或即時結果，如果疾病爆發，則需要更多的檢測試劑盒供應。本研究提出了一種新方法，通過收集和分析一個人目前正有的症狀來早期診斷疾病，而無需進行實驗室檢查。Kaggle 中可用的“症狀和 COVID 存在”數據集是用於開發此機器學習模型的數據集，它由COVID-19 正樣本和負樣本組成。使用方差閾值、方差膨脹因子、Pearson 相關係數和世界衛生組織的聲明等，對數據集進行數據分析，以確定模型開發中包含的屬性。我們使用合成少數過採樣技術 (SMOTE) 執行數據平衡以防止訓練過程中的樣本偏差。結果表明，機器學習算法隨機森林、支持向量機、k近鄰和多層感知器人工神經網絡的得分最高，分別為98.84%的準確率、100%的敏感性、98.79%的特異性和98.84%的AUC。為了使機器學習模型可供使用，我們對模型進行了序列化並使用它來開發 Web 應用程式。開發的 Web 應用程式將通過提供給用戶的表單收集數據。用戶可以通過單擊或點擊表格中提供的症狀列表來選擇症狀，並且可以單擊預測按鈕開始預測。預測結果將顯示通知，指示用戶可能是 COVID-19 陽性還是陰性，同時還會顯示提醒和後續步驟。應用程式文件已上傳並部署在 Namecheap 網絡託管服務提供商的 cPanel 中。通過這項研究，使用者無需進行實驗室檢查和 COVID-19 快速抗原檢測試劑盒，即可立即進行 COVID-19 傳染病的早期診斷。
- 學位論文
近年來，高壓氧治療 (hyperbaric oxygen therapy, HBOT) 從過去的經驗和研究中皆獲得許多正面支持，治療機轉及效應不斷的被驗證，醫界相關的專業人士也相繼認可針對某些疾病它是一種安全有效的治療方法，且具有令人滿意的療效。唯高壓氧氣治療仍有許多疾病或傷害目前尚未被美國食品藥物管理局或台灣健保署批准涵蓋於給付範圍內。重要的是，被視為標的之外的疾病並非意味著高壓氧氣治療無效或不安全。因此，藉由智慧化發展，利用科技整合學術研究及文獻資源並透過新興科學實證，指引高壓氧氣治療未來發展之方向。 本研究利用以研究導向的學術資源整合網路平台 Web of Science Core Collection 資料庫，其強大的檢索、存取、管理與評價等功能特色，將高壓氧氣治療整體知識及資訊進行探勘。另以文獻計量學方法，透過 VOSviewer 的模型化聚類技術，藉由分群演算法(Cluster) 與製圖 (Mapping) 技術功能，以模擬向量空間方式展示文獻數據結構及關係權重，以更清晰直觀圖形展示知識結構變化的趨勢。研究結果可確立高壓氧治療研究主題學術核心概念，提供醫療指引及後續研究發展策略參考，以解決當今醫療環境的支付問題，成為可信任及高品質的醫療福利政策。藉由前驅研究的引導與傳承，樹立學術價值，引發全世界相關領域的關注與探討。揭示核心發展脈絡、研究熱點與時代的演變趨勢，掌控新知及探測未來學術研究方向。
- 學位論文
隨著國內民主化政治的發展與多元化的資訊傳播管道，使得選民在選舉活動之前就能得知候選人的相關資訊，亦可能讓部分的選民因民調的變化或他人的集體意志進而左右投票的行為，導致最後投票的選擇與原先所屬的選項有所落差，本研究主要目的在於探討網路資訊、財政經濟及地方治安之配適對候選人勝敗關鍵因素的影響，預期透過三種策略模式導向之配適能得到對候選人勝敗關鍵因素之效益。 本研究運用Amos統計分析軟體進行SEM，得知本研究模型解釋能力上，網路資訊、財政經濟及地方治安各構面策略配適對候選人勝敗關鍵之影響效果，能解釋99%之變異程度，顯示代表整體模型建構具理論基礎且是可驗證的。 本研究分析得知在網路資訊部分能較著重於網路上之議題討論較能引起共鳴；在財政經濟部分能較著重於候選人對於經濟政策之連續性及是否有關注地方特色產業，也就是說政治人物是否有關心地方經濟產業，都會影響到選民對其之支持度；就候選人勝敗關鍵之因素將取決於候選人在網路聲量及最終之投票率（即為投給候選人之機率），而網路資訊、財政經濟及地方治安各構面策略配適對候選人勝敗關鍵之影響效果之間有顯著關係，因此日後候選人勝敗關鍵提升之考慮因素可以將其列為影響之因素構面，進而做一研究探討判斷，以提升候選人政治動之個人形象、網路聲量及投票率。
本文將於2025/01/26開放下載。若您希望在開放下載時收到通知，可將文章加入收藏。
- 學位論文
冠狀動脈疾病(Coronary Artery Disease, CAD)連續二十年位居世界十大死因排名第一，臨床中已有多項影像學檢查工具及功能性影像可得知患者是否罹患冠狀動脈疾病，受限於各非侵入性造影與檢查工具都存在一定之偽陰性及偽陽性，面對冠狀動脈疾病伴隨之高風險死亡率，臨床將藉由介入性心導管冠狀動脈造影術作為最終之診斷方式。 本文使用YOLO(You Only Look Once)深度學習物件偵測之方法於X光心臟血管攝影(X-ray Coronary Angiography, XCA)中，即時偵測冠狀動脈狹窄並加以外框標示位置。本研究資料共收集120筆冠狀動脈血管攝影動態影像，經手動轉換為2,708張已標記冠狀動脈狹窄處座標之靜態影像。以隨機亂數分配方式拆分影像資料為訓練集1,624張(60%)、測試集542張(20%)及驗證集542張(20%)，影像分析工具使用MATLAB Computer Vision Toolbox建立YOLO v2狹窄偵測模型，並以ResNet-50與MobileNet V2作為特徵擷取網路並比較各種不同降採樣大小特徵圖之效能及影像即時辨識速度。將經由圖形處理器(Graphics Processing Unit, GPU)訓練完成之ResNet-50與MobileNet V2模型於驗證集影像進行偵測，最佳之模型由ResNet-50網路搭配當中activation_40_relu之特徵層與Batch size 16所得出，平均精確度(mean Average Precision, mAP)為97.9%、平均交聯集面積(Average IoU)為78%、精確度(Precision)為98.7%、召回率(Recall)為99.1%及F1-Score 98.9%；然而，最佳影像辨識速度32 FPS (Frames Per Second)由MobileNet V2網路模型搭配當中之block_6_depthwise_relu特徵層與Batch size 8所得出，且獲得94.2%之平均精確度(mAP)、平均交聯集面積(Average IoU)76.2%、精確度(Precision)為96.2%、召回率(Recall)為98.5%及F1-Score 97.4%。 經一系列研究結果表明，使用YOLO物件偵測演算法為X光冠狀動脈造影狹窄之偵測帶來了高準確度與影像即時辨識之速度，在測試集影像下所有模型平均精確度均在84%以上，並提供最高32 FPS之影像辨識速度，藉此全自動化冠狀動脈血管攝影狹窄即時偵測方法將能替智慧醫療奠定良好之基礎。
- 學位論文
研究目的: 對比劑乳房攝影（contrast enhanced mammogram, CEM）已被證明比2D 乳房攝影更靈敏和更具特異性。此研究主要目的為評估深度學習中的腫瘤偵測及腫瘤分類於對比劑乳房攝影的成效。 材料與方法: 這項回溯性研究包括從2012 年1 月至2021 年10 月接受對比劑乳房攝影的女性，符合收案對比劑乳房攝影影像女性共121 位，影像350 張。使用Resnet50 與Darknet53 架構建立YOLO(You Only Look Once)深度學習物件偵測模型，結合ADAM 及SGDM 進行優化。評估模型效能方法包括命中次數(Hit counts)、命中率(Hit rates)與平均精確度 (mean Average Precision, mAP)。分類預訓練CNN 模型包含Alexnet、VGG16、VGG19、ResNet50、ResNet101、InceptionV3、MobilenetV2、Nasnetmobile、Shufflenet、Googlenet 及Densenet201，預訓練CNN主要用於影像特徵萃取再經由SVM(Support Vector Machine)、NB(Naive Bayes)及LR(Logistic Regression)建立分類模型。模型評估包含靈敏度(Sensitivity)、特異性(Specificity)、精確度(Precision)、陰性預測值(Negative Predicted Value, NPV)、準確度(Accuracy)及Kappa 一致性 結果: Darknet 53 搭配優化器 ADAM 時，最高命中率為 97%。Resnet 50 搭配優化器 ADAM ，有最高 mAP 為 82%。影像訓練模型在結合不同特徵層及分類器，以Resnet50 特徵層結合SVM 具最高準確度，Accuracy、Sensitivity、Specificity、Precision、NPV、Kappa 值分別為0.97、0.97、0.96、0.99、0.93、0.92。 結論: 預期利用深度學習演算法來偵測與分類對比劑乳房攝影影像中之腫塊是未來使用於乳房影像評估的有用技術。
- 學位論文
正子放射電腦斷層掃描是一種非侵入性、可提供功能影像的診斷工具，臨床上主要利用大型醫用正子電腦斷層掃描儀( positron emission tomography, PET)及單光子斷層掃描儀(single-photon emission computed tomography, SPECT)來取得功能性影像；而針對小動物造影，則有小型具高解析度的動物用PET，因具有可提供動物體內生物分布資訊及可重複實驗的特性，在藥物開發及諸多研究上，是臨床前動物實驗所必須，也是最有效的工具。 本研究採用假體實驗與動物實驗設計，假體實驗依其FDG劑量、造影時間、造影參數、重建方法的不同來分析其影像之空間解析度、均勻度、靈敏度；動物實驗則為正常小白鼠的正子斷層掃描，對比小白鼠進食前後的影像差異來驗證此系統對小動物造影研究是否能提供功能影像。設計驗證影像品質方法：使用MAMMI Breast PET進行小動物造影之特性評估，包括空間解析度(spatial resolution)、均勻度(uniformity)及靈敏度(sensitivity)，掃描模式使用single mode，並分別提供Standardization、Isotope fall-off、Scatter events、Attenuation by segmentation、Random events五種修正，使用3D-MLEM影像重建法，來評估及量化其影像品質。 本研究已完成MAMMI Breast PET對小動物造影研究之可行性，並提供一個小動物實驗研究所需之造影程序及參數之參考資訊。本研究動物實驗使用造影模式及參數為: (1)靜態攝影、(2)取樣時間: 5分鐘、(3)注射劑量為0.1 mCi/0.1 ml、(4)衰減修正採用Standardization方法。透過假體實驗可得MAMMI Breast PET之空間解析度，軸向平均1.946 mm、徑向1.824 mm、影像均勻度最高96%、靈敏度平均為1.087%，實驗結果顯示利用MAMMI PET對小動物造影具有可行性。
- 學位論文
動機與目的： 99mTc-MDP(methylene diphosphonate)骨掃描是目前診斷癌症骨轉移的主要影像工具。然而，受限於影像的解析度，檢查的靈敏度及特異性，以及目視判讀和觀察者間變異性的影響，假陽性及假陰性仍然是診斷骨轉移的重要問題。因此，本研究將應用深度學習演算法來構建用於骨轉移的人工智能分類模型。 材料與方法：本回顧性研究將收集自2004年8月至2013年12月間，義大醫院肺癌患者之全身骨掃描影像共1474筆，並分為骨轉移影像和無骨轉移影像兩類，各含487筆及987筆。影像分為正面、正面加背面及兩種灰階正面加背面三組數據集，透過七種卷積神經網絡 (Convolution Neural Network, CNN) 模型進行影像特徵萃取，再由三種機器學習包括支持向量機(Support Vector Machine, SVM)、單純貝氏分類器(Nave Bayes)及邏輯斯特回歸(Logistic Regression)建立分類模型，其中90%用於訓練，10%用於測試模型，以10折交叉驗證(10-fold cross validation) 測試模型的性能。最後以測試組的準確性、靈敏度、特異性及 Kappa 一致性統計量評估模型效能。 結果：在三組影像數據集中，由AlexNet與SVM組合的分類模型，都顯示出最好的骨轉移分類效能。其中包含兩種灰階正面加背面影像的數據集， 以AlexNet與SVM組合的分類模型顯示出最佳的分類效率，其準確度為 0.814，Kappa 值為 0.555。 結論：在本研究中，使用預訓練CNN進行特徵提取與機器學習作為分類器，可以成功的對肺癌骨轉移的全身骨掃描影像進行分類。包含兩種灰階正面加背面影像的數據集，可以在肺癌骨轉移的骨掃描影像中提供較多特徵而有較好的分類效能。
- 學位論文
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；標記影像為腫瘤部份以作為FCN (Fully Convolutional Network)切割結果之金標準。FCN將包括 xception、inceptionresnetv2、mobilenetv2、resnet18、resnet50等五種AI架構，同時調查二種最佳化函數(SGDM、ADAM)；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%。評估方法為測試集腫瘤切割結果之Global Accuracy、Mean Accuracy、Mean IoU、Weighted IoU、Mean BF Score。 根據驗證資料顯示，FCN中的ResNet50採用最佳化函數SGDM、Batch Size 12、Epoch 9條件下，其Global Accuracy、Mean Accuracy、Mean IoU、Weighted IoU、Mean BF Score分別為0.999、0.980、0.937、0.998、0.946；若以Mean Accuracy高於0.944條件共選入25個模型，其中inceptionresnetv2、mobilenetv2、resnet18、resnet50、xception分別出現9、6、3、5、2次；FCN之InceptionresNetv2有較佳表現。 Inceptionresnetv2、mobilenetv2、resnet18、resnet50、xception經由訓練後，均有機會成為CT肝影像腫瘤分割模型，測試集顯示切割腫瘤準確度能超過90%。
- 學位論文
隨著民主化的腳步，民意高漲，民主素養提升；人民對政府部門所提供的服務要求越來越高，復以國家競爭力之評比，政府效能是重要評比的其中一項。由於公部門服務品質的文獻向來不多，且關於警察機關服務品質的文獻更是闕如，因此，本研究藉由探討SERVQUAL、E-SERVQUAL及PolQUAL服務品質模式的構面和量表，再結合蒐集其他行業別服務品質評量量表及公務部門服務品質評量量表，及研究者發展的警察勤務服務品質量表中，擷取出雛型量表64題原始問項，再透過9位專家訪談修正為58問項，並經由前測預試因素分析及鑑別力檢定修正為34問項。本研究透過線上方式進行正式問卷調查，共回收有效問卷397份。經統計分析後，得出6個構面及34問項，包含可靠性(6項)、回應性(4項)、同理性(6項)、保證性(4項)、有形性(8項)及快速性(6項)，構成了虛實整合之警察機關服務品評估量表。本研究結果除提供警察機關服務品質評量參考之依據外，並可藉以提高警察機關服務水平，提升民眾對警察機關服務滿意度。
- 學位論文
在本論文中，我們提出了一個基於 YOLOv4 的醫學影像病灶偵測系統，將影像標記、格式轉換、參數設定、模型訓練與影像驗證等動作標準化。 機器學習最重要的是數據收集和標記，我們與義大大昌醫院合作，通過LabelMe 標記肝臟超音波影像上的病徵，自動將數據轉換為 YOLOv4 所使用的訓練、驗證和測試格式，設計一個循環機制來重複訓練模型。並使用邏輯表示式合併不同模型的辨識結果，進行病理上的語意驗證，如腫瘤就會被解釋為「出現於肝臟上的腫瘤」，提供更人性化的驗證方式。 透過此系統可進行單張影像、多重影像與連續影像的資料驗證。應用於肝臟超音波影像偵測腫瘤、肝血管瘤、射頻燒灼術、膿瘍與轉移性腫瘤，準確率可達95%。