實驗過程
實作歷程與進度紀錄（三下～四上）
2025.2~3
文獻回顧
我們進行了針對醫學影像分割技術的初步文獻回顧，重點關注深度學習架構在腦部血管影像處理上的應用。圖中所示為我們研讀的一篇代表性文獻〈ResNet and its application to medical image processing〉，該文綜整了殘差網路（ResNet）在醫療領域的演進歷程與挑戰，幫助我們理解其在特徵提取方面的優勢。
2025.3~4
資料預處理
在專題初期，我們對醫學影像資料處理的經驗尚淺，對於如何強化 MRA 影像中的血管結構還不夠熟悉。一開始雖然有嘗試使用一些常見的影像處理方法，但因為缺乏足夠背景知識，處理出的圖片常常過暗或血管邊界不清楚，甚至有些影像增強過度，反而讓模型難以判斷。
經過與指導教授與學長姐討論後，我們開始理解影像預處理對分割任務的重要性，並學會使用像是 CLAHE 來改善局部對比，搭配 Gamma 校正調整亮度，讓影像的血管結構更明顯。
2025.5
Segamentation
在模型訓練的初期階段，我們觀察到模型尚未能有效學習血管的結構特徵。上圖展示了三張對照影像：左側為原始輸入的 MRA 灰階影像，中間是人工標註的血管遮罩（Ground Truth），右側則為模型在該階段的預測結果（Prediction）。
可以明顯看出，預測結果中存在大量誤判，模型難以區分血管與背景，分割出的區域模糊且不連續，無法還原出實際的血管輪廓。這樣的結果反映出模型尚未具備對目標結構的辨識能力，屬於訓練早期的失敗案例，也提醒我們需要針對前處理、模型設計與資料策略進行進一步調整與優化。
2025.6
Segamentation
最後，經過資料的調整與模型參數的調整與重建，我們重新檢視了前處理流程、資料切分方式與資料增強策略，並針對模型架構中的學習率、損失函數與訓練輪數進行優化設定。新的模型在分割結果上呈現出更清晰的血管邊界與完整的血管分支結構，明顯改善了原先預測模糊與錯判的情形。這也反映出資料品質與訓練策略的優化，對於醫學影像分割任務的準確性與穩定性有顯著影響，為後續的幾何量測與分析奠定穩固基礎。
2025.7~8
3D Segmentation
為了更真實地呈現腦血管在三維空間中的結構，本研究後續以 3D U-Net 模型 進行分割實驗。相比 2D 模型，三維架構能保留空間連續性、分支關聯性與整體血管拓樸，使分割結果在臨床應用上更具解釋力。
左圖：原始輸入影像（Input）中圖：模型預測結果（Prediction）右圖：真實標註（Ground Truth）
可觀察到模型能準確描繪主要血管的走向與形狀，預測結果與標註區域高度重疊。僅在部分末端微細血管出現輕微斷裂，主要原因可能為影像訊號較弱或雜訊干擾。整體輪廓與血管主幹皆能準確還原，顯示模型具備穩定的分割與泛化能力。
2025.9~10
改良式後處理
深度學習模型雖能有效擷取血管結構，但在實際分割結果中，仍常出現血管斷裂、偽陽性雜訊或邊界模糊等問題。為提升輸出的結構完整性與臨床可讀性，本研究設計了一套改良式後處理流程（Enhanced Post-Processing Pipeline），整合多種影像運算技術，使分割結果更連續、更真實。
主要步驟如下：
雙閾值補接（Hysteresis Thresholding）→各向異性形態學閉運算（Anisotropic Morphological Closing）→
小元件移除與 Top-K 區域保留→一致性濾波（Consistency Filtering）
3D Measurement
2025.11
視覺化方式：
-
疊圖（Overlay Visualization）將血管分割與量測資訊疊加於原始 MRA 影像上。以不同顏色標示正常與狹窄區段，使結構變化一目了然。
-
血管寬度熱圖（Vessel Width Heatmap）以色階變化顯示血管寬度分佈。紅色代表狹窄區域、藍色代表正常血管。3D 模型展示（3D Visualization）透過三維模型呈現血管口徑變化。
在模型完成三維血管分割後，本研究進一步進行 幾何量測與狹窄分析，以評估腦血管在不同區段的結構變化，並輔助識別潛在的高風險區域。此階段整合骨架化（Skeletonization）、距離轉換（Distance Transform） 與統計量測模組，形成自動化的血管幾何分析流程，讓分割結果轉化為臨床可用的量化資訊。
左圖：血管三維量測結果
右圖：熱圖與疊圖示意
主要步驟如下：
中心線提取（Skeletonization）→局部直徑計算（Distance Transform）→狹窄率分析（Stenosis Rate Analysis）