黃斑部病變測試38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

應用U-net模型於光學同調斷層影像之研究

為了解決黃斑部病變測試38的問題，作者羅心妤 這樣論述：

目錄指導教授推薦書口試委員會審定書摘要 iiiAbstract iv目錄 v圖目錄 vii表目錄 xii第一章 緒論 11.1 研究背景與動機 11.2 醫學影像技術 21.3 皮膚構造 71.4 人工智慧 91.5 機器學習 10第二章 實驗原理 142.1 光學同調斷層掃描 142.2 深度學習（Deep learning, DL） 242.3 分類結果指標 392.4 深度學習與光學同調斷層掃描 43第三章 實驗架構及方法 513.1 光學同調斷層掃描系統 513.2 遷移學習與

U-Net 523.3 實驗設計 53第四章 實驗結果與討論 664.1 實驗分類 664.2 腫瘤分類 664.3 波長校正 76第五章 結論與未來展望 835.1 討論與結論 835.2 未來展望 85參考文獻 87附錄 94 圖目錄圖 1 1大腦CT影像[6]。 3圖 1 2影像處理前後的超音波血管腫瘤影像[10]。 4圖 1 3核磁共振的腦腫瘤影像。 5圖 1 4老鼠皮膚的光學同調斷層掃描影像[14]。 6圖 1 5皮膚構造截面圖[16]。 8圖 1 12有標記資料集的機器學習建模示意圖[2

5]。 11圖 1 13機器學習不同的學習方式，使用不同類型的資料[24]。 12圖 1 11卷積神經網絡架構示意圖[28]。 13圖 2 1麥克森干涉儀示意圖[35]。 15圖 2 2時域式光學同調斷層掃描系統架構圖[38]。 19圖 2 3頻域式光學同調斷層系統架構圖[40]。 20圖 2 4掃頻式光學同調斷層掃描系統架構圖[40]。 21圖 2 5光學同調斷層掃描系統不同維度的成像[34]。 22圖 2 6不同NA值與景深之間的示意圖[34]。 24圖 2 7類神經網路的神經元運作方式。 25圖 2 8典型的類神經網路架構圖[4

2]。 25圖 2 9卷積神經網絡模型的架構示意圖[44]。 26圖 2 10 AlexNet與VGGNet比較表。 28圖 2 11 VGGNet架構[46]。 29圖 2 12 VGG-16架構[46]。 29圖 2 13卷積網路[47]。 31圖 2 14模型錯誤率在深度56層都比20層還要來得高。 32圖 2 15殘差網路架構圖[48]。 33圖 2 16 18層及34層的訓練[48]。 33圖 2 17 ResNet-152模型結果。 34圖 2 18 CIFAR-10測試集上的分類。 34圖 2 19不同層數的Res

Net架構圖[48]。 35圖 2 20 VGG-19、34層普通模型、34層殘差網路架構圖[48]。 36圖 2 21 全卷積網路架構圖[50]。 38圖 2 22有向無環模式圖 [50]。 38圖 2 23 U-Net的架構圖[29]。 39圖 2 24 混淆矩陣四個元素的交集圖。 40圖 2 25歸一化混淆矩陣。 41圖 2 26 ROC示意圖。 42圖 2 27 VGG-16的架構圖 44圖 2 28黃斑部影像處理。 45圖 2 29 視網膜影像範例。 46圖 2 30不同品質的影像。 47圖 2 31正常和異常影

像。 47圖 2 32 OCT影像品質評估和視網膜病變檢測的轉移學習架構。 48圖 2 33 三種分類模型的結果。 49圖 2 34 leave-one-patient out分類結果的混淆矩陣。 49圖 3 1實驗流程。 54圖 3 2老鼠背部腫瘤的光學同調斷層掃描影像圖。 55圖 3 3腫瘤分類影像前處理步驟。 56圖 3 4圖 3 3影像切邊緣放大圖。 56圖 3 5未處理且雙線性內插影像的模型輸出。 57圖 3 6切邊緣且正規化的雙線性內插影像的模型輸出。 57圖 3 7切邊緣、正規化並補上0值影像的模型輸出。 58圖

3 8遮罩影像上出現未填補完全情況 58圖 3 9測試影像與圖 3 7相同。 59圖 3 10 U-net神經網路架構圖。 60圖 3 11老鼠耳朵的光學同調斷層掃描影像。 61圖 3 12 波長校正影像前處理步驟。 62圖 3 13 U-Net的架構圖[29]。 63圖 3 14 ResNet-34架構圖[48]。 64圖 3 15 ResNet-34做為U-Net的骨幹架構圖。 65圖 3 16 訓練及驗證的Loss值。 65圖 4 1 訓練資料左右翻轉。 67圖 4 2訓練資料及測試資料。 67圖 4 3光學同調斷層掃描資

料的影像分割。 68圖 4 4深度學習訓練的流程圖。 68圖 4 5 六種及五種類別遮罩影像。 69圖 4 6 五種類別影像模型輸出結果。 69圖 4 7原始影像與分類結果疊合圖。 70圖 4 8標明分類結果圖。 71圖 4 9 U-Net模型在腫瘤較小的情況下，仍有標示出腫瘤位置。 71圖 4 10 3D圖。 72圖 4 11第一組測試資料的ROC曲線。 73圖 4 12第二組測試資料的ROC曲線。 73圖 4 13第三組測試資料的ROC曲線。 74圖 4 14第四組測試資料的ROC曲線。 74圖 4 15第五組測試資料

的ROC曲線。 75圖 4 16經波長校正光學同調斷層掃描影像。 76圖 4 17無波長校正光學同調斷層掃描影像。 76圖 4 18訓練資料及測試資料。 77圖 4 19深度學習訓練的流程圖。 77圖 4 20深度-0.36mm的預測結果(左)及經波長校正影像(右)。 78圖 4 21深度-0.72mm的預測結果(左)及經波長校正影像(右)。 79圖 4 22深度-0.108mm的預測結果(左)及經波長校正影像(右)。 79圖 4 23深度-1.44mm的預測結果(左)及經波長校正影像(右)。 79圖 4 24深度-1.8mm的預測結果(左

)及經波長校正影像(右)。 79圖 4 25深度-0.36mm未解凍、解凍結果及經波長校正影像。 80圖 4 26深度-0.72mm未解凍、解凍結果及經波長校正影像。 80圖 4 27深度-0.108mm未解凍、解凍結果及經波長校正影像。 81圖 4 28深度-1.44mm未解凍、解凍結果及經波長校正影像。 81圖 4 29深度-1.8mm未解凍、解凍結果及經波長校正影像。 81圖 4 30深度與未解凍、解凍的預測結果其均方根誤差比較圖。 82圖 5 1 六種及五種類別模型輸出影像。 84 表目錄表 1 1醫學影像技術比較[2, 15] 6

表 2 1 文獻回顧與此研究的比較 49表 4 1五個測試集資料驗證表格 75

整合高生物相容性氧化石墨烯-膠原蛋白複合材料與 3D 細胞列印技術於視網膜晶片

為了解決黃斑部病變測試38的問題，作者游茲宇 這樣論述：

近年來，植入式人工電子醫療設備成為恢復視力功能的新型治療策略，為視網膜病變的患者，包括黃斑部病變及色素性視網膜炎患者提供了改善視力的機會。然而，如何增進可植入電極與原生組織之間的的生物相容程度仍然是一大挑戰，包括電極與神經細胞間的交互作用以及電訊號的傳輸效率降低等問題。在本研究中，我們創建了一個電極-生物界面，在視網膜晶片之電極表面上修飾具有電活性的退火性氧化石墨烯-膠原蛋白複合塗層 (annealed graphene oxide-collagen composite, aGO-COL) 和神經細胞，整合為生物混合型的視網膜植入晶片 (biohybrid retinal prosthesi

s)。另外，本研究證明了生物相容性的 aGO-COL 可以支持神經細胞貼附、維持神經細胞的活性，以及增強軸突的生長。而為了準確地將神經細胞定位在電極上以增強電訊號傳輸和視覺分辨率，我們使用了噴墨列印的技術，在植入式視網膜晶片上創建活細胞的微圖案，透過調節細胞列印之參數，我們可以得到直徑 100-200 um、含有細胞的微圖案。總體而言，本研究運用具有電活性的 GO 複合材料與細胞微圖案之列印技術，開發出具有生物相容性和功能性的電極-生物界面，整合成為生物混合型視網膜植入晶片，希望能讓電子視網模晶片更具生物相容性且能長期地植入在人體中，有效地提升視網膜晶片在臨床應用上的價值。