工作環境
" 我們的工作環境寬敞明亮，配備了高效的電腦和先進的顯示設備，以支持我們的研究需求。團隊成員各自擁有獨立的工作空間，能夠專注於自己的研究項目，同時也設有舒適的休息區，提供了一個良好的學習和協作氛圍。 "
利用機器學習分割及測量血管
研究內容
在現今的醫學領域，影像分析往往是判斷病情的關鍵。只有正確評估病情，才能採取不同的治療方法。磁振造影血管攝影（MRA）作為一種重要的影像技術，在評估和診斷人體血管系統的健康狀況方面發揮著不可或缺的作用。例如，它可以用來檢測和診斷各種血管疾病，如動脈瘤、動脈狹窄、血栓形成等。傳統的MRA影像分割方法主要依賴人工判斷。這種方法不僅耗時，而且容易受主觀因素的影響，降低分割結果的可靠性和準確性。為了解決這些挑戰，利用機器學習進行血管分割現在已經成為一種新的解決方案。
MRA
我們專注於利用機器學習進行血管的分割與測量，特別是針對腦部磁振造影（Magnetic Resonance Angiography, MRA）影像的增強和狹窄檢測。
MRA的應用範圍廣泛，包括頭頸部及顱內外血管的檢查，用於檢測動脈和靜脈的阻塞或狹窄狀況，並能評估腦動脈瘤的情形。
模型選擇
隨著深度學習技術的迅猛發展，特別是卷積神經網絡（Convolutional Neural Networks, CNN）的應用，影像分析的速度和準確性得到了顯著提升。在眾多深度學習模型中，U-Net架構因其在捕捉醫學影像中的細微特徵方面的優越性能，成為醫學影像分割領域的主流。然而，標準的U-Net模型在處理MRA影像中複雜而精細的血管結構時，仍然面臨挑戰，需要更精細的方法來提高分割的準確性。
訓練與測試
在訓練模型之前，我們需要將準備好的數據集切分為訓練集和測試集，通過交叉驗證等技術來確保模型的穩健性和泛化能力。訓練過程中，我們使用訓練集的數據來調整模型的參數，使其能夠更好地擬合訓練數據。然後使用測試集的數據來評估模型的性能，進行模型的優化和調整。訓練過程中需要注意過度擬合（overfitting）問題，這可能會導致模型在測試集上的性能下降。因此，需要通過調整模型結構、正則化等方法來解決過度擬合問題。
工作當中扮演的角色
在這段經歷中，我們扮演了學習者與溝通者的重要角色。許多技術和知識需要依靠自己課外額外學習，我們經常利用業餘時間查閱文獻、觀看教學影片和參加線上課程，以補充和拓展我們的專業知識。在面對新技術和新工具時，我們始終保持積極的學習態度，努力掌握每一項新技能，這使大家能夠在工作中更加游刃有餘。
在團隊合作中，大家也充分的發揮了溝通者的作用。得透過溝通和團隊成員協調虛擬機的使用時間和順序，以確保記憶體空間的合理分配，避免資源不足的情況發生。此外，針對各自負責的部分，我們進行了多次討論和協調，確保每個環節都能順利進行，並最終達成預期的研究目標。這種團隊之間和個人之間的相互配合，讓我深刻體會到有效溝通的重要性，並且這些經驗大大提升了每個人的協作和溝通能力。