基於深度學習神經網路之乳房組織擴散光造影技術研究

近紅外擴散光造影(Near InfraRed Diffuse Optical Imaging, NIR DOI)機制乃是藉由人體組織在特定波段近紅外光的組織光學係數(如吸收及散射係數 等)的差異來區分組織病變，尤其是乳房腫瘤。DOI造影技術的相關計算軟體及模組設備，自1990年代中期開始發展，影像計算是基於模型(擴散方程式)離散後的前向計算及迭代反算，來獲得組織吸收及散射係數影像。影像重建研究人員需要具備醫學物理知識及最佳化演算法數值計算能力；即使是軟體使用者除了會建立二維、三維計算模型，也需具備正則化計算參數調整判斷能力，這部分會因為個人基礎及經驗影響影像計算品質。近10年由於深度學習神經網路被提出及廣泛應用，透過大量數據，以建立分類及迴歸類神經網路模型；因此，在DOI組織光學係數造影技術領域，也開始發展基於數據的計算模式，開發組織光學係數影像技術；透過大量模擬數據及部分場域實驗資料，包括待測主體周緣光資訊(光強度和相位)以及計算獲得的光學係數影像 等來達成。此兩年期計畫規劃，將完成深度學習模型的擴散光影像計算平台。除了已實現並驗證的批次正規化CNN模型、光資訊影像神經模型，及目前著手的週期網路神經模型外；計畫中提出及實現-- (i) (感測/影像)混成式神經網路模型、(ii)深度學習模型消融研究、(iii)不規則剖面形狀遷移學習模型 等研究項目，都將進行數值模擬及仿體實驗驗證，以利於後續乳房外科人體試驗及臨床應用。