top of page
Content
研究結果
2D分割系統預測結果與 Ground Truth 高度接近，血管主幹與分支結構皆有良好還原，邊界清晰且雜訊較少，顯示模型已具備穩定的血管辨識能力。
2D模型預測分析結果
(左)輸入的 MRA 影像
(中)對應的標註（Ground Truth）
(右)模型預測的分割結果（Prediction）
各項評估指標
我們透過訓練與驗證集的 Dice Score、IoU 及 Loss 變化圖，追蹤模型學習情形。整 體表現穩定，驗證指標與訓練指標趨近，無明顯過擬合現象。模型最終可達
Dice ≈ 0.83、IoU ≈ 0.72，展現良好的分割準確度與泛化能力。
3D預測模型在 COSTA 資料集上，最終模型於61 筆測試影像達成 平均 Dice 0.8261 ± 0.0483，顯示分割穩定且具有泛化能力；從中片層對照可見主要動脈與多數分支均能被正確恢復，僅少數末端微細血管因訊號微弱或雜訊而出現斷裂。模型已具備穩定的血管辨識能力。
3D模型預測分析結果
下面展示為測試集其中三組案例的中間切片預測結果：
(左)輸入的 MRA 影像
(中)模型預測的分割結果（Prediction）
(右)對應的標註（Ground Truth）
評估指標
訓練分為兩階段進行：
1.第一次訓練（Run 1, 100 Epoch）：
-
模型從隨機權重開始訓練，逐步學會主要血管結構與影像特徵。
-
約在第 20 個 epoch 後 Loss 曲線平穩、Dice 明顯上升。
-
最佳驗證 Dice 為 0.8297 @ Epoch 79，模型成功收斂。
2.第二次訓練（Run 2, Fine-tuning, 80 Epoch）
-
以第一次的最佳模型為基礎進行微調。
-
Loss 進一步下降，Dice 曲線維持高值並更加平滑。
-
最佳驗證 Dice 為 0.8587 @ Epoch 51，較前次提升約 3%。
專題影片
bottom of page