從實習中學習到的事

以下是我們目前在實習過程中涉及的主要學習內容，這些技術和知識的應用不僅鞏固了我們的理論基礎，也提升了我們實際操作和解決問題的能力。未來，我們將繼續努力，將這些技術應用於更多的臨床實踐中，為提升醫療診斷和治療水平做出貢獻。

我們採用了多種步驟的方法來處理這些醫學影像。首先，我們會先初始化參數，然後從指定的目錄中載入3D MRA影像數據。接著，通過生成不同角度的2D投影來處理3D影像數據，並使用訓練的U-Net模型對2D投影進行分割。隨後，我們從分割好的2D影像重建3D分割圖，並對3D分割圖進行後處理以提升結果品質。最終，我們將3D分割結果保存到指定目錄中，並計算分割性能指標（如精度、召回率和F1分數）。

虛擬機 ( Virtual Machine, VM )

我們實驗室採用了Docker進行虛擬機遠端操作，以利用A100顯示卡進行機器學習實驗。Docker是一種開源的容器化平台，它可以將應用程序及其所有依賴項打包到一個標準化的單位中，確保了應用在不同環境中的一致性和可移植性。通過使用Docker，我們可以輕鬆地管理和部署虛擬機，並有效地分配和利用計算資源。此外，Docker還使我們能夠在不同的環境中快速切換，這對於進行不同實驗和測試非常便利。我們使用的是叫做Container的技術，容器（Container）是一種虛擬化技術，它與傳統的虛擬機（VM）不同，容器在同一操作系統內核上運行，並將應用程序及其所有依賴打包在一起，使得應用程序可以在任何環境中一致地運行。

影像處理

(1) 最大密度投影（Maximum Intensity Projection，MIP）

(2) 直方圖均衡化（Histogram Equalization）

(3) 濾波（Filtering）

(4) 銳化（Sharpening）
(5) 隨機旋轉（Random Rotation）

機器學習

監督學習（Supervised Learning）：監督學習是一種從標記數據中學習的方法，其中每個樣本都有相應的輸入和輸出標籤。監督學習包括分類和回歸兩種主要任務。
無監督學習（Unsupervised Learning）：無監督學習是一種從未標記數據中學習的方法，其中數據集中的樣本沒有相應的輸出標籤。無監督學習通常用於聚類、降維和異常檢測等任務。
強化學習（Reinforcement Learning）：強化學習是一種通過與環境的交互來學習最優行動策略的方法。強化學習通常用於智能控制和決策制定問題。

評估指標

(1) 準確度（Accuracy）：Accuracy=TP+TN/(FP+FNTP+TN)

(2) 精確度（Precision）：Precision=TP/(FP+TP)

(3) 召回率（Recall）：Recall=TP/(FN+TP)

(4) DSC指標（Dice Coefficient）