自我評估與心得感想
盧姸蓁1111616
這次專題是我第一次接觸醫療影像相關的主題，也是一個需要完整規劃與嚴謹驗證的學術研究。前期雖然閱讀了多篇文獻，但當實際開始進行資料處理與模型訓練時，我才真正體會到挑戰的核心並不在於理解學術名詞或模型架構，而是如何正確地規劃資料集與訓練流程。由於缺乏經驗，初期模型的表現未達預期，這讓我開始反思整個流程的問題。經過多次會議與教授及學姊的指導，我們重新檢視訓練策略並重新開始。這次，我對資料的前處理、訓練與驗證集的切分、配對方式以及模型訓練的整體流程都有更清楚的架構，過程也更有系統性，最終成功訓練出分數較高、穩定度更佳的模型。
完成這個專題的過程，讓我在技術面與實作面都有明顯的成長。我學會了如何規劃模型訓練、影像標註與資料前處理，也更加了解時間管理與團隊協作的重要性。在血管量測階段，我們遇到許多未知與困難，例如不確定測量方法是否適用於資料、數據是否合理等問題。我們不斷嘗試不同方案、分析結果、並修正流程，從每一次的錯誤中學習，逐步找到解決方式。透過這次經驗，我 深刻體會到專題的價值不僅在於模型的準確率或最終成果，更在於建立獨立思考與解決問題的能力。這些經驗讓我在面對未來不同資料型態與研究主題時，能以更有條理與自信的方式進行分析與實驗。
呂孜柔1111621
從上學期開始接觸這個專題到現在，整個過程讓我對醫學影像分析與深度學習有了更全面的理解。起初，我對 MRA 影像的結構與分割原理都相當陌生，從資料前處理、模型訓練到驗證，每個階段都經歷了大量嘗試與修正。到了這學期，我主要負責後處理部分，開始學習如何改善模型輸出的血管結構，從滯後閾值（Hysteresis Thresholding）到形態學閉運算，再到一致性濾波與連通元件篩選，這些技術的實作過程讓我真正體會到「細節決定品質」。每一次的微調，無論是參數設定還是結果比對，都需要不斷觀察血管的連續性與形態合理性，雖然結果仍有改進空間，但看到模型經過後處理後血管結構變得更完整、雜訊減少，讓我覺得以前的努力是值得的。
每週的 Meeting 也給了我很大的幫助，教授與學姊們會針對我們的程式、流程與結果提供具體的建議，讓我學會不只是寫程式，更要理解背後的醫學邏輯與研究思維。
整體而言，這次專題是我學習歷程中很寶貴的經驗，不僅讓我累積了影像處理與深度學習的技術實力，也讓我明白團隊合作、批判思考與細節觀察的重要性。從一開始懵懂的初學者，到現在能夠和同伴合作完成一套後處理流程，這段歷程讓我真正感受到自己在專業與思考上的成長。
游舒宸1111644
在本次專題中，我們從 資料前處理、影像預處理、模型訓練 到 血管狹窄度量測，完整體驗了醫學影像分析的研究流程。剛開始接觸此專題時，我們先從閱讀相關文獻著手，逐步理解 MRA（Magnetic Resonance Angiography） 的成像原理，以及 segmentation（影像分割）、measurement（血管量測） 等機器學習在醫學影像中的應用。在學習過程中，詹教授常提醒我們要 “get your hands dirty”，意即不能只停留在理論，而要動手實作。透過親自嘗試影像前處理（例如 CLAHE 對比增強、Gaussian Noise 去除、Intensity Normalization）、模型訓練與後續的量測分析，我們逐漸掌握了從資料準備到模型推論的完整流程，也理解了每個步驟背後的邏輯與挑戰。
實作中，我們使用了多種深度學習模型，包括：U-Net 與 ResUNet（結合 ResNet 編碼器） 進行血管分割；搭配 Dice Loss 與 Focal Loss 的混合損失函數，以平衡類別不均的問題；使用 CosineAnnealingLR進行學習率調整；在這過程中，我們不斷進行 debug 與 模型微調。當模型評估指標（如 Dice、IoU）表現不理想時，我們會調整批次大小（batch size）、學習率（learning rate）、權重初始化與資料增強策略，重新訓練與驗證。透過這樣的反覆測試與修正，我們學會了如何從模型結果中分析問題，進而改進設計。
這一整年的校內專題，讓我學會如何 從零開始構思與實現一個完整的研究專題。我不僅熟悉了實驗設計與模型訓練流程，也培養了資料分析與結果解讀的能力。在與教授及學姊們討論報告的過程中，我也提升了表達與學術溝通能力，學會用更清晰的方式呈現研究成果。回顧這一年的學習，我深刻體會到研究並非一蹴可幾，而是一段充滿挑戰與收穫的探索歷程。從一次次的失敗中找出改進方向，從一篇篇論文中汲取靈感，這些經驗都讓我未來能夠更適應研究所生活。