top of page

工作環境

我們的工作環境是位於一館七樓的大數據與數位匯流創新中心，所在的研究環境有充分的硬體設備、獨立的交流空間，利於專注進行研究任務。

實驗室.jpeg

研究內容

本研究以磁振血管攝影（Magnetic Resonance Angiography, MRA）影像為基礎，進行血管結構的自動化分析，旨在協助提升血管相關疾病的診斷效率與準確性。MRA 具有非侵入性與高解析度的特性，能清晰呈現血管狀態，是臨床醫療常用的重要影像技術。

運用深度學習方法進行 MRA 影像的血管分割，並設計完整的分析流程，從影像預處理到血管結構的辨識。

機器學習（Machine Learning）

  • 輸入資料（Data）：提供大量標記或未標記的資料

  • 模型訓練（Training）：透過演算法找出資料中的規律

  • 模型預測（Prediction）：輸入新資料進行分類、預測或生成結果

  • 模型評估與調整（Evaluation）：根據表現進行優化

 

我們在本研究中，透過 機器學習中的監督式學習，訓練 U-Net 模型從原始 MRA 影像中學習如何辨識並分割出腦部血管區域。這樣的模型能協助醫師快速獲得客觀且精準的血管資訊。

  • 磁振血管攝影 Magnetic Resonance Angiography

是一種非侵入性的醫學影像技術，利用磁振造影（MRI）原理來觀察人體內的血管結構，無需注射對比劑或進行開刀手術。

  • 運作原理

MRA 是透過磁場與無害的無線電波，觀察血液流動在不同血管中的變化。由於血液移動的速度與方向會影響磁共振訊號，因此可以藉由這些訊號差異，重建出血管的影像。

  • 本研究中的應用

我們使用 MRA 腦部影像作為資料來源，進行 腦部血管的自動分割任務，進而提取血管幾何資訊（如寬度、形狀變異），提供後續血管疾病的量化分析依據。

Data Preprocessing

為提升血管辨識效果，我們對 MRA 影像進行三項預處理：

 

  1. CLAHE 對比增強：改善局部明暗，保留細節。

  2. Gamma 校正：調整亮度，突顯血管。

  3. MIP 投影與資料增強：將三維影像轉為二維圖片並進行隨機變換（旋轉、翻轉等），提升模型泛化能力。

image.png

U-Net

在本研究中，我們使用 U-Net 模型來進行 MRA（Magnetic Resonance Angiography）血管影像的自動分割。目標是將原始影像中的血管區域精確分離出來，作為後續進行血管寬度量測、狹窄率計算與形態分析的基礎。

20001976muQqJZ6VAC.png

​此圖為U-Net with ResNet34 backbone​

bottom of page