Spiculated mass的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

應用深度學習進行乳房X光圖像辨識

為了解決Spiculated mass的問題，作者林庭宇 這樣論述：

乳癌是造成女性癌症死亡原因的第二名，若要控制乳癌，早期發現與診斷是最佳方法，而乳房X光檢查為乳癌常見的診斷方式之一。近年來電腦輔助診斷(Computer-Aided Diagnosis, CAD)技術逐漸興起，能幫助繁忙醫師進行診斷。本研究首先蒐集三個乳房X光圖像資料庫：INbreast、MIAS與DDSM，並對這三個資料庫進行統一圖像大小、CLAHE、圖像標準化及數據增強。之後則分為兩大部分：第一部分利用卷積神經網路進行乳房X光圖像腫塊良/惡性分類；第二部分則利用卷積神經網路進行乳房X光圖像中腫塊目標檢測。第一部分本研究自行建立兩個能夠提取更多元特徵的腫塊良/惡性分類模型，分別為：(1)A

lexNet-II與(2)雙空洞無池化的卷積神經網路(Double-Dilation Non-Pooling Convolutional Neural Network, DDNPNet)，接著再與時下流行的其他卷積神經網路模型如AlexNet、DenseNet、ShuffleNet三個模型進行比較。第一部分依據INbreast、MIAS與DDSM的特性可分為三種分類問題：(1)腫塊良/惡性二分類；(2)密度三等級結合腫塊良惡性六分類；(3)密度四等級結合腫塊良/惡性八分類。第二部分則利用ResNet進行特徵提取，再以Faster R-CNN與YOLOv2進行乳房X光圖像中腫塊目標檢測。在三資料

庫整合的腫塊良/惡性二分類中，DDNPNet模型的準確率(Accuracy)為95.41%，特異性(Specificity)為95.86%，靈敏性(Sensitivity)為94.83%，F1-Score為94.81%，訓練時間為26分23秒；在MIAS資料庫密度三等級結合腫塊良/惡性六分類結果中DDNPNet模型的準確率(Accuracy)為87.76%，特異性(Specificity)為97.24%，靈敏性(Sensitivity)為88.78%，F1-Score為87.47%，訓練時間為4分32秒；在INbreast+DDSM資料庫密度四等級結合腫塊良/惡性八分類結果中DDNPNet模型

的準確率(Accuracy)為68.56%，特異性(Specificity)為93.70%，靈敏性(Sensitivity)為65.96%，F1-Score為64.62%，訓練時間為27分10秒。而以YOLOv2進行腫塊檢測可獲得mAP值0.3647，訓練時間26分12秒。本研究提出的乳癌電腦輔助診斷(Breast Cancer Computer-Aided Diagnosis, BCCAD)系統能提供醫師做為診斷的參考，替繁忙的醫師進行輔助診斷。

利用軟體方法進行乳房攝影散射之矯正

為了解決Spiculated mass的問題，作者鄭博軒 這樣論述：

乳房攝影術(Mammography)是一種常用的醫學影像照影設備，其主要原理為利用x光拍攝女性的乳房以觀察女性乳房中的構造，藉此進行乳癌等相關疾病的診斷，乳房攝影術的優點為簡單快速且非侵入式，非常適合用來做為初步篩檢的工具。 目前與乳房攝影有關的研究中主要針對以下兩個方向進行研究: 其一為如何有效的降低病患在x光所產生的放射性環境下曝露的時間及強度。另一方面的研究則是解決關於x光經過乳房組織後所產生散射(scatter)的情形，散射會降低影像品質造成影像的模糊，使的影像中許多重要資訊難以辯識。 早期的乳房攝影設備中，會在感測器(detector)與乳房之間加上許多的網格(grid)，

藉著網格以阻擋散射過的光子到達感測器來解決散射的情形。由於部分光子被阻隔在網格上而無法到達感測器，光子的散失造成感測器上接收到的光子數降低，若要接收到相同的光子數勢必要提高x光的強度及照射時間。因此本研究將利用影像處理的方式來解決散射的問題來取代網格的功能。 在本研究中，我們使用GATE軟體進行乳房攝影系統的模擬，GATE是利用蒙地卡羅法(Monte Carlo Simulation)進行模擬，蒙地卡羅法可以用來模擬大量且具隨機性的事件，因此可以用來計算出乳房攝影系統中x光光子在穿透過乳房後在感測器上的分佈情形藉此模擬出乳房攝影系統的影像。此外，GATE記錄每個光子的散射與否，因此可以計

算出散射的影像，本研究將比較出GATE的散射影像及其他散射數學模型的差異及準確性。