醫學影像的精細結構自動化辨識定位及其三維影像重構之研究(1/3)

本三年期計畫之目標為以本期計畫所發展之資料密度泛函方法為基礎，發展一種可自動化用於精準識別、定位和三維可視化於大尺度醫學影像中之微小多病灶的低計算複雜度方法。根據前期研究(已刊登於Scientific Reports、Applied Sciences等)，我們已成功地連接了量子力學和人工智能技術，進而創建了一種稱為資料密度泛函方法的自動化演算法。亦基於本期MOST計畫之研發成果，我們已成功整合三種於人工智慧領域中，重要且實用之技術：Lucas-Kanade光流，像素連通性和廣義梯度近似。且已使用該方法解決了如影像對齊、像素標記等醫學成像技術中常見之問題。對於特定問題的解決技術，亦在MATLAB和Python環境之平台上建立了相關技術的自動演算法。一系列SCI期刊論文和會議論文業已發表在跨學科領域，如機器視覺，康復輔助，步態分析，動態物體跟踪等方面。然而，這些研究成果和相關的演算法也指出了資料密度泛函方法無可避免的劣勢。由於本方法是通過連接量子力學和機器學習方法構建，因此所採用的醫學影像的所有信息將會全域映射到特定的能量空間。這意味著在測量目標影像的相似性時，會將所有像素信息納入估計過程。圖像尺寸越大，計算複雜度越高。此外，目前的資料密度泛函方法亦無法直接應用於醫學圖像的多腫瘤檢測的情況，造成輔助檢測和其他演算法估計是無可避免的。因此為了克服上述窘境並加強資料密度泛函方法之優勢，在此為期三年的計劃中我們期待透過納入新穎的自動化技術來增加資料密度泛函方法於大尺度醫學影像中精確識別，定位和三維視覺化三方面的功效，並將此基礎研究擴展到實際應用。需強調的是，儘管我們的初步研究成功地實現了腦腫瘤自動檢測技術及其三維視覺化方法，但針對微小之腦部組織如丘腦底核、相應的鄰近區域和其他腦組織的精確自動識別、定位和三維視覺化，仍是臨床研究和手術導引中的棘手問題。