基於深度學習之顱內出血分類模型研究與應用

工作代碼　ＺＤ2

指導教授　郭文嘉教授

1111646 梁凱晰

1111656 鄭宇涵

1111708 黃詩云

研究背景

顱內出血（Intracranial Hemorrhage, ICH）是一種高風險的神經急症，必須及時且準確地診斷，以降低患者的致死率與後遺症風險。現行臨床診斷主要依賴電腦斷層掃描（CT），但原始影像常因個體差異、掃描參數或設備問題導致對比度不足與雜訊干擾，使得出血病灶難以明確辨識，進而增加醫師誤判的風險。此外，放射科醫師在高壓與長工時的工作環境中，判讀過程亦可能受到主觀與疲勞影響，限制了診斷的一致性與效率。

研究目的

本研究旨在建立一套以深度學習技術為基礎之顱內出血多標籤分類模型，透過多視窗影像增強處理與位置感知式模型架構，有效提升電腦斷層(CT)影像在顱內出血(ICH)診斷上的分類效能與臨床應用價值。研究希望解決傳統人工判讀耗時、易受疲勞影響、影像細微特徵難以辨識與多類型出血同時存在等問題。本研究之主要目標如下：

1. 提升影像診斷的準確性與效率

藉由深度學習模型自動分類五大出血類型（EDH、SDH、SAH、IVH、ICH），以減輕醫師判讀負擔並降低誤判或延遲診斷之風險。

2. 整合多層次診斷資訊

結合多窗口影像處理（腦窗、硬膜下窗、骨窗）與三維空間位置特徵，充分利用CT影像資訊。

3. 驗證深度學習應用於顱內出血分類任務之可行性

透過模型訓練與效能評估，確認其於醫學影像分類問題中的應用潛力與可靠度，以作為後續研究或系統優化之基礎。

最終期望本系統能整合分類與優化功能，提供臨床醫師一個高效率、低誤判風險的影像輔助工具，並具備未來擴展至其他醫學影像應用的能力