ct影像的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列股價、配息、目標價等股票新聞資訊

人體結構與疾病透視聖經：看不到的身體構造與疾病，3D立體完整呈現，比X光片更真實、比醫生解說更詳實(內附日本獨家授權3D立體動畫)

為了解決ct影像的問題，作者奈良信雄,菅本一臣 這樣論述：

　　日本銷售突破35萬本！ 　　醫生臨床解說最佳圖解示範，專業醫護人員指定參考用書， 　　從中小學生生物健康教育課，到攻讀博士， 　　看3D互動立體動畫與圖解，秒懂。      　　‧看電腦看到一半覺得眼壓高、想嘔吐，如何判斷是眼睛疲勞還是青光眼徵兆？ 　　‧身體呈現僵直感，其實不是骨骼有毛病，可能是帕金森氏症？ 　　‧高齡者常倦怠、整天睡、記憶力低下，你以為失智，其實只是甲狀腺機能低下。 　　‧誰說壓力是無形的？用3D照樣可以透視出自律神經如何失調。 　　‧二頭肌、腹直肌在哪裡？透視人體肌肉，你就不會操到死還練不出人魚線。 　　 　　作者奈良信雄是

日本醫學權威、東京醫科齒科大學教授， 　　專攻病態解析、基因診斷學與醫學教育， 　　他透過一張張比X光片更真實、比醫生解說更詳實的構造生理學圖解， 　　不只告訴你各個器官的名稱與位置， 　　還告訴你這些器官會出現什麼疾病、痊癒的過程是什麼， 　　第一步該如何治療？哪些採用西醫療法？哪些可以使用漢方療法？ 　　 　　書中將人體依器官系統分類，分成運動系統、腦部與神經系統、循環系統及血液 　　等9大章，把各種器官會出現的疾病做分門別類的整理： 　　 　　◎關於運動系統：關節、肌肉、骨骼，彼此之間到底如何作用？ 　　‧誰說人長大了骨頭就定型？每兩到三年，骨

頭也會新陳代謝一次，需要好好保養。 　　‧骨質疏鬆症、類風溼性關節炎、斜頸症和椎間盤突出， 　　這些常見疾病如何發生？又要如何修復？ 　　‧運動障礙症候群、骨肉瘤、顳顎關節症候群、扯肘症、肌肉萎縮症， 　　醫生該如何處理，才不會影響患者的日常生活？ 　　 　　◎關於腦部與神經系統：大腦、小腦、腦幹，大家俗稱的頭痛到底是哪裡痛？ 　　‧現代人的文明病失智症、精神分裂症、帕金森氏症，怎麼發生？ 　　這個連最尖端電腦也比不上的資訊處理系統，為什麼會秀逗？ 　　‧常說的顏面神經麻痺、運動麻痺、感覺麻痺、自律神經失調，神經百百條， 　　你到底是壓到了哪一條？

　　比X光片更真實的解說，讓你一看就懂。 　　 　　◎關於感覺系統：視覺、聽覺、嗅覺和皮膚，你說不出來的部位也能3D圖解。 　　視網膜剝離、突發性耳聾、梅尼爾氏症、鼻竇炎、嗅覺障礙、舌癌， 　　這些明明是單一器官的症狀，為何醫生老說你看錯科？ 　　原來很多跟感覺有關的病症主因，問題並不在原始器官： 　　例如突發性耳聾，問題不出在耳朵，而在壓力，得用類固醇或血管擴張來治療。 　　 　　其他還包括循環、消化、泌尿與生殖系統等……， 　　這些平常你看得到與看不到的身體構造與疾病， 　　全部利用3D影像全圖解，比醫生解說更詳實， 　　讓你比醫生更了解你自己。

  各界推薦   　　國立清華大學運動科學系教授／林貴福

ct影像進入發燒排行的影片

利用基於深度學習之DXSNet模型進行肺部疾病評估

為了解決ct影像的問題，作者劉哲豪 這樣論述：

Covid-19疫情擴散全球，從2019年底至今許多地方疫情情況仍相當嚴峻，疫情的檢測需要投入大量的人力及資源，在資源較匱乏的地區，對於疫情的檢測可能會遭遇到一些困境，檢測的技術及使用的試劑也會對結果造成影響，因此耗費較少資源及人力的發展尤為重要。近來，深度學習快速發展在影像分類方面也發展得相當不錯，許多人紛紛將醫療影像透過深度學習，期望可以減輕醫護人員的壓力並加快病情的診斷。在肺部病情診斷方面，通常以X光影像及CT影像最為常見，X光影像取得較CT影像方便快速及便宜，將X光影像透過深度學習模型協助醫生判斷病情，減輕醫生負擔。本論文嘗試將肺部X光影像利用四種深度學習模型，包含ResNet152

、InceptionV3、Xception及DenseNet201，進行四種肺部疾病的判斷，包括正常肺部影像、COVID-19患者肺部影像與細菌性及病毒性肺炎肺部影像，並且引入X光影像的前處理以提高四種模型的判斷準確率。此外，提出一種新的深度學習模型DXSNet以提升肺部疾病判斷的準確率，它主要是取Xception及DenseNet之優點予以結合，利用DenseNet加強特徵萃取及Xception將特徵圖的資訊先各別處理再整合，再利用SENet attention的特性加強有效特徵抑制無效特徵，實驗結果發現DXSNet之效能皆優於前面四種模型。在實驗方面針對四種的X光影像進行多元分類及二元分類

，二元分類可以讓醫護人員可以快速篩檢肺部是否正常，是否需要進一步交給醫生判斷病況，多元分類則可以協助醫生判斷病況，以減輕醫護人員及醫生的負擔。本論文使用的錯誤評估指標除了使用Accuracy外，還使用了Precision、Recall及F1-score，同時觀察各模型的ROC曲線及PR曲線之AUC。DXSNet在圖片未經前處理的情況下就達到了0.9381的Precision、0.9372的Recall及0.9365的F1-score，AUC則達到了0.9897，顯示出多元分類可以對疾病進行不錯的評估。除了進行多元分類本論文也進行了二元分類，在二元分類DXSNet在Precision、Recal

l及F1均達到0.9792，AUC更是達到了0.9958，均優於前面的四種模型，顯示出二元分類上可以很好的判斷出正常肺部及非正常肺部。

解剖台上的真相：相驗超過2萬具遺體的日本法醫鑑識檔案

為了解決ct影像的問題，作者巽信二 這樣論述：

解剖刀劃開的不只是屍體， 也劃開了真相。 　　在山中發現的白骨遺體，居然是溺斃的！？ 　　透過CT技術檢查遺體傷口，就能判定是單獨犯案抑或共同犯案！？ 　　不願承認遭受虐待的年幼兄妹，究竟有什麼讓人心疼的理由？ 　　在化糞池中發現的棄嬰屍體，透過DNA鑑定找到了親生父親！？ 　　顛覆各項推測的真實死因， 　　無論是他殺事件還是意外事故，真相皆曲折離奇！ 　　你最近曾見過「屍體」嗎？ 　　別說最近了，生活在文明社會，大概只有親近的人過世時，才有可能目睹遺體吧。 　　身為法醫的作者，至今接觸過2萬具以上的遺體，經手解剖的遺體則超過6300具。 　　在這當中，有些遺體與震驚社會的案件

有關，有些則宛如連續劇劇情，解剖後所得知的真相讓刑警們臉色大變。 　　死亡推斷時間為何時？ 　　凶器為何物？直接死因為何？ 　　透過所剩無幾的線索，抽絲剝繭，還原、驗證死亡經過！                                                                         　　在推理小說與連續劇情節中，法醫勘驗屍體、逐步釐清事件真相只在彈指之間。 　　然而在現實世界裡，過程往往千迴百轉、錯綜複雜。 　　有時費盡千辛萬苦才查明死因，從而想像得到家屬的內心該有多麼遺憾…… 　　聽40年來閱屍無數的法醫，娓娓道出令人瞠目結舌的衝擊真相！ 　　衷心

期盼各位讀者看完本書後，能對法醫的工作以及法醫學這門學問產生興趣。 本書特色 　　◎作者為醫學博士（法醫學．監察醫），擔任法醫學教室主任教授、監察醫，亦身兼受虐兒鑑定醫師。協助大阪府警偵查辦案，為許多案件找出破案線索。獲頒法務大臣獎、大阪高等檢察廳檢察長獎。 　　◎在執業40年的過程中，作者接觸過2萬具以上的遺體，經手解剖的則超過6300具。書中案例均為真實案例而非杜撰的小說，推理迷與對法醫界有興趣的讀者千萬別錯過！ 名人推薦 　　法醫、鑑識專家、檢察官、法官、律師聯合推薦！（依姓氏筆畫排列） 　　鑑識專家．警察專科學校副教授  李承龍 　　法務部法醫研究所病理組組長    許倬憲

　　台灣冤獄平反協會理事長．律師   葉建廷 　　法醫．玄奘大學助理教授        楊敏昇 　　前法官、檢察官．律師          劉邦繡

基於肺部電腦斷層之肺腺癌EGFR突變預測:結合Patch-based radiomics紋理特徵圖於深度學習網路

為了解決ct影像的問題，作者陳和豐 這樣論述：

肺癌已成為世界上最主要癌症死因之一，並且其發病率與死亡率都有逐年上升的趨勢，晚期肺癌患者的5年平均存活率僅有15%。依治療和預後的不同，肺癌主要分為兩種：(I)非小細胞肺癌(Non-small-cell lung cancer，NSCLC)；(II)小細胞肺癌(Small-cell lung cancer，SCLC)。其中有85%的患者是屬於NSCLC，並且NSCLC患者大部分都被診斷為肺腺癌(Lung Adenocarcinoma, LAC)。EGFR(epidermal growth factor receptor)是肺癌治療中最有用的biomarkers之一。在亞洲有高達50%的肺癌患

者有表皮生長因子受體基因突變(EGFR mutations, mEGFR)。mEGFR患者對EGFR tyrosine kinase inhibitor (EGFR TKI)的反應優於無mEGFR患者。本研究提出「同時考慮CT影像腫瘤內部patchwise成分」的核心概念，開發一套基於深度學習之肺腺癌mEGFR預測模型。結合CT radiomic特徵與patch-based的腫瘤內部區域資訊尋找分類特徵，以協助LAC患者於標靶治療的治療規劃。本研究預測模型在僅考慮腫瘤區域成分的因素下，找尋腫瘤CT影像中之特徵。為達此目標，首先分為肺區分割以及腫瘤分割。分割結果顯示，本研究之肺區分割平均Dice

coefficient為0.9891；腫瘤分割結果平均Dice coefficient為0.806。接著從分割的腫瘤中提取了 212個3D 灰度共生矩陣(GLCM)之特徵。通過sequence forward feature selection選到energy和entropy為重要特徵。透過patch-base的方式使用5×5×5立方體大小計算原始影像上energy以及entropy的特徵圖作為RGANN分類模型的第二、三個通道輸入。接著在RGANN的第四層加入gated attention機制，將前一層輸入的特徵圖與分割的腫瘤binary影像相乘去引導 RGANN 模型只關注於腫瘤區域，以

提高分類的準確性。同時，RGANN的方法與GANN的方法進行了比較。RGANN 在training cohort （n=591，AUC=0.96，ACC = 0.98）validation cohort（n=85，AUC = 0.83，ACC = 0.81）和testing cohort（n=169，AUC = 0.77，ACC = 0.76) 優於 GANN 模型testing cohort（n=169，AUC = 0.74，ACC = 0.73）。此外，本研究針對lung phantom在9種不同輻射劑量(Tube current)與3種不同重建演算法下進行radiomic特徵的提取，並將

研究結果應用於真實病人之Lung CT影像上進行分類。研究顯示，在輻射劑量小於200mA的CT影像提取出的radiomic特徵有較大的變化；反之，提取出的特徵則較穩定。本研究將蒐集之CT影像分為以上兩種情況進行訓練，並且與原始訓練結果進行比較。分類結果顯示，當CT影像皆為大於200mA的情況下，RGANN得到的測試結果為（n=71，AUC = 0.78，ACC = 0.771）；當CT影像皆為小於200mA的情況下，RGANN得到的測試結果為（n=98，AUC = 0.63，ACC = 0.676）。以上分類結果可見掃描CT影像時，使用不同的Tube current參數會造成擷取的radiom

ic特徵有不同的變化，導致在分類mEGFR的結果上顯示，使用較高劑量的CT影像進行分析能得到較好的分類結果。本研究所提出之RGANN模型透過擷取腫瘤內部patchwise成分，在預測mEGFR方面較僅使用原始CT影像的DL模型達到較好的分類結果。