鐘鉉死因的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

引入集成學習於深度學習模型之乳房超音波影像腫瘤區塊切割

為了解決鐘鉉死因的問題，作者吳瑀翔 這樣論述：

近年來，將深度學習模型應用於醫學影像的研究發展十分蓬勃，本論文將延續過往實驗室對於乳房超音波影像分割的研究，使用DRA-UNet、Trans-UNet、U2-Net這三個深度學習模型來分割乳房超音波影像，並引入集成學習的方法，將各種深度學習模型透過集成學習當中Stacking組合在一起，以更有效率的幫助醫生判斷腫瘤的大小及位置。本論文將使用DRA-UNet、Trans-UNet、U2-Net這三個深度學習模型來分割乳房超音波影像並使用客觀的錯誤評估指標來進行比較，實驗結果顯示，U2-Net有四項評估指標為三者中最高;IOU來到77.67%、DSC來到87.4%、Sensitivity來到87

.59%、ACC來到96.77%，DRA-Unet有兩項評估指標為三者中最高; Precision來到88.29%，Specificity來到98.36%。之後再使用集成學習當中的Stacking將這三個深度學習模型進行兩兩與全部的不同組合方式組合在一起，觀察使用Stacking進行組合之後的模型是否比未進行組合前的模型還要優秀，實驗結果顯示，使用全部三個模型組合的Stacking在重要的指標IOU、DSC、Sensitivity上表現都比只使用任兩個模型組合的Stacking效果要好，也比原來的三個個別模型為佳;IOU來到79.62%、DSC來到88.64%、Sensitivity來到89.

26%。

利用基於深度學習之DRA-UNet模型做乳房超音波影像腫瘤區塊切割

為了解決鐘鉉死因的問題，作者何岳庭 這樣論述：

乳癌是相當常見的癌症，在臺灣女性死因統計位居前三名，大大地對女性健康造成威脅。根據統計，自民國九十八年至一百零八年，隨著發病率的增加，超音波影像也被廣泛應用於分割乳房腫塊，因為其具有安全、無痛、非侵入性、無輻射等優點，且相較諸如CT、MRI影像，超音波影像費用便宜、可攜性較高，同時也更為普遍。然而；超音波影像需要具備相關經驗之放射學家的主觀判斷，人為標註費工且耗時的情況導致資料總量稀少，也為使用深度學習來分析超音波影像帶來更多的挑戰。近年，深度學習在各式各樣的醫學影像切割任務中展現巨大的潛能，隨著超音波影像相關的醫療儀器往微型化、高效率、便於日常使用的可攜式裝備發展，深度學習的模型也應竭盡所

能地輕量化，在耗時、準確性、穩定性中取得平衡。其中，以U-Net為骨幹的模型尤其突出，故本論文嘗試將六種用於其他醫學影像之神經網路，結合乳房超音波原始影像及其Ground truth，透過端對端的訓練得出各自對應的權重，對逐一像素分類，並從中取其優點予以結合，開發出一種新穎的神經網路架構: DRA-UNet (Dense-Res-Attention UNet)，可以幫助專業人士在超音波影像中圈選出腫瘤區域。為了客觀分析腫瘤切割的結果，根據JSI、DSC、ACC、TPR、TNR、Precision六種錯誤指標去評估模型切割的好壞，本論文提出之DRA-UNet平均具有78.10%的JSI、85.7

9%的DSC、97.81%的ACC以及89.72%的Precision，四項指標為所有方法之首，88.31%的TPR落後於89.47%的Attention UNet、98.73%的TNR落後於98.79%的MultiResUNet，其餘兩項指標為第二名，因此可證實該方法可用於生醫影像應用中，且能基於現存的方法做出改善，在乳癌早期階段提供對腫瘤、病灶適當的檢測。綜上所述，本論文提出之方法具備以下優點: 其一，訓練過後的模型不需人工調適參數，使用全自動切割系統幫助醫師及放射師判斷，可以節省寶貴的醫護人力與時間；其二，使用較少的參數量、稀少的訓練資料也能有優良的像素級別切割能力；其三，在病灶極小、音

響陰影嚴重等難易度較高的超音波影像，依然能保持穩定的水準。