運用深度學習技術建立早期輕微認知障礙檢測模型
- 電機工程系｜張廷安 老師
- 2024年2月24日
- 讀畢需時 2 分鐘
已更新：2024年3月24日
主持人｜張廷安
共同主持人｜許凱程
輕度認知障礙(Mild Cognitive Impairment)介於正常與失智症的中間階段，每年約有10~15%會發展成失智，若能利用深度學習的方式，較早發現輕度認知障礙，便有助於預防進一步的惡化。本計畫計劃透過搜集包括OASIS、ADNI、IBSR和MICCAI等公開資料集的腦部的MRI影像資料，透過蒐集T1權重MRI影像，且提取灰質區域的面積作為特徵，再利用深度學習模型去預測，如:VGG16、ResNet50……建立一個可靠的深度學習模型，去提早發現輕度認知障礙，從而實現輕度認知障礙的早期檢測和有效預防，希望這一項目的成功將為提高腦部疾病診斷的準確性和效率做出貢獻，並為患者提供更早期的幫助。
計畫與合作場域聯結說明
本計畫邀請中國醫藥大學附設醫院的神經內科許凱程醫師，指導我們醫學影像上及醫學相關的知識，使我們在分割模型的數據蒐集、前處理上有很大的幫助。除此之外，讓我們對MRI腦部影像有更進一步的認識。並推薦分割大腦結構、計算腦體積、分割的軟體，如:SPM、FreeSurfer……。
給予我們預測上的建議，可利用影像搭配簡易心智量表（Mini-Mental State Examination；MMSE）、載脂蛋白E4、臨床認知評定(Clinical Dementia Rating)等……的多模態模型，可更全面的評估患者的狀態。這樣的綜合分析使我們更有效的預測可能的結果，有助於提前識別。
計畫結合教學創新推動機制與教師社群營造
本團隊設計一個UI介面供醫師使用，只要輸入MRI影像，可根據醫師的需要，分割出特定的部位，接著預測，且自動標記出潛在的病變區域及器官結構，輔助醫師判斷，供醫師一個參考。不僅如此，介面上設有用戶反饋系統，鼓勵醫師分享他們的使用體驗、建議，用於優化我們的介面。
調查模型的準確性，彌補模型的不足、嘗試各式各樣的演算法，以提升影像分割和病變預測的效果。
執行成果
在本校的校慶中，本團隊有參與雲科校慶的展出活動，向大家展出從資料收集、資料前處理、模型建製、UI介面設計……介紹的鉅細靡遺，亦有廠商有意與我們合作。
預期成果或未來可能規劃
希望擴大資料集的範圍，涵蓋世界各地不同的地區、種族和年齡。同時，我們將持續與醫學專業人員合作，指導我們分割影像，且尋求他們對模型的精確性和實用性的反饋，且優化UI介面，使的介面易操作、清楚明瞭、具參考價值。
本團隊將不斷優化深度學習模型，整合更多高效且精確的演算法，以提高影像分割和輕度認知障礙預測的準確性。這將包括探索新的神經網路結構和特徵提取方法，以應對複雜的腦部影像資料。
最後希望這套UI介面，可以廣泛的應用在醫院，輔助醫師診斷，使人民可以在得失智症前，可以有個心理準備，甚至提早預防，防止惡化成失智症，望世界不再有失智症病人，減少醫療支出。
Comentarios