韓劇電影你都看哪一部呢？論文書籍站
義守大學 資訊工程學系 丁慧枝所指導 蔡欣庭的 利用DenseNet進行乳房影像分類之研究 （2018），提出birads分級關鍵因素是什麼，來自於乳房攝影、乳房影像報告暨分析系統、密集卷積網路。
而第二篇論文國立中正大學 資訊工程研究所 林維暘、柯建全所指導 邱穩碩的 乳房X光微鈣化BI-RADS分類-結合影像處理和機器學習技術以及使用深度學習網路之分類效能評估與比較 （2018），提出因為有 微鈣化點、乳房X光照、乳房影像報告與資料系統、K-means分群法、機器學習、支援向量機、卷積神經網路、多分類的重點而找出了 birads分級的解答。
利用DenseNet進行乳房影像分類之研究
為了解決birads分級 的問題，作者蔡欣庭 這樣論述：
乳癌為我國女性罹患率最高的癌症，依據衛生福利部死因統計及國民健康署癌症登記資料顯示，每年有數萬女性罹患乳癌，而死於乳癌的女性超過數千名。乳癌分期是依腫瘤大小，腋下淋巴有無轉移及遠處轉移區分，越早發現，存活率也會相對提高。臨床上乳房攝影因受限於操作者技術、受試者配合度及醫師主觀判讀影像特徵，造成鑑別度不一致。提升乳房影像品質及影像診斷率，為醫學影像處理重要工作之一。本研究探討利用DenseNet演算法針對乳房影像進行輔助分類。本研究影像採用回顧性分組實驗設計，收集2016年2月-2017年9月期間數位乳房X光攝影影像之頭尾投影像(Cranial-Caudal View, CC View)共88
張影像，依美國放射醫學會(American College of Radiology, ACR)發展的乳房影像報告暨分析系統(Breast Image Reporting and Data-analyzing System, BI-RADS)分級，實驗組為BIRADS為4級(陽性)者共計38張、對照組BIRADS為1級(陰性)者共計50張。採用最小交集樣本數38例為各組分析影像；各組以70%與50%分為訓練集其餘為測試集；因此訓練集分別為共計27與19張，測試集分別為11與19張。採用預先訓練模型(Pre-Train Model)的密集卷積網路(Densely Connected Convol
utional Networks, DenseNet)，建立乳房影像陰性和陽性分類模型。評估方法為測試集靈敏度、特異性及準確度。由於DenseNet具有緩解消失梯度問題、加強特徵傳播、促進特徵可重複使用、並大幅減少參數數量，可以用較少的計算成本。本研究針對測試集其靈敏度為100%、特異性為72.73%及準確度為86.37%。本研究依據DenseNet模型可針對少量樣本影像進行影像分類之特性，其分類結果具有合理性；未來需增加有效案例數、增加BIRADS類別、進行不同預先訓練模型之測試與驗證。
乳房X光微鈣化BI-RADS分類-結合影像處理和機器學習技術以及使用深度學習網路之分類效能評估與比較
為了解決birads分級 的問題，作者邱穩碩 這樣論述：
微鈣化點是在乳房形成腫塊癌變之前一個很重要的病徵，這些沉積的鈣化點會隨病情惡化形成良性腫塊甚至惡性腫瘤，所以能趁早偵測到鈣化點，就能及針對病人提供合適的治療方式。乳房X光攝影(mammogram)是一種常用於臨床診斷乳房腫瘤的方法之一，醫生可從乳房X光影像感興趣區域的:形狀、位置、分布、大小等資訊確認出腫瘤或是鈣化點，再根據美國放射學會所提供的乳房影像報告與資料系統(Breast Imaging-Reporting and Data system, BI-RADS)標準，判讀出相對的BI-RADS等級。為了判讀鈣化BI-RADS級別，本篇論文採用公開且完整BI-RADS記錄的數據集(Digi
tal Database for Screening Mammography, DDSM)當作資料樣本集，由於此資料集會有每一病人4個影像，包含：左右乳房各自兩個視角的影像(CC view、MLO view)，故本論文會將病人兩個乳房中這兩個視角來影像，評估乳房BIRADS的分級效能。因微鈣化對於小於等於BI-RADS 4類別會較有臨床參考價值，故本研究主要針對小於BI-RADS4等級的影像中維鈣化現象做分析，為了量測該病變影像的相關的特徵並進行分級，一系列處理步驟被採用像是:資料集影像做對比強化、影像正規化以及切割胸肌等動作，再配合使用K-means分群、灰階共生矩陣紋理以及小波轉換，決定出
最適當的K-means分群結果，也就是偵測出真正包含有感興趣鈣化點的區域，接著針對此區域量測與BI-RADS分級描述相關的定量特徵，針對該疑似微鈣化點的區域，再搭配兩個分類器的使用(支援向量機、卷積神經網路)，進行BI-RADS等級的預測及評估。本系統在偵測鈣化區域的準確度有87%，對於感興趣的區域偵測準確率可達90.1%;此外，對於BI-RADS等級分類CNN的正確率雖僅有70.3%，採用SVM分類時的正確率也僅有63.4%，對於實驗的BI-RADS等級分類準確度有一大段的進步空間。