已經跟呼吸一樣重要的網路和手機論文書籍站
高雄醫學大學 醫務管理暨醫療資訊學系碩士班 高浩雲所指導 張文彥的 基於輕量級卷積神經網絡對肺部異常結節進行計算機輔助檢測 （2021），提出apex m輔助關鍵因素是什麼，來自於計算機輔助診斷、卷積神經網絡、肺結節檢測。
而第二篇論文國立臺灣大學 生醫電子與資訊學研究所 李百祺、郭柏齡所指導 黃郁文的 使用頦下超音波影像評分與應變量測評估阻塞性睡眠呼吸中止症 （2021），提出因為有 阻塞性睡眠呼吸中止症、舌頭功能影像、應變分析、頦下超音波影像、影像品質分數、倒氣測試、斑點追蹤的重點而找出了 apex m輔助的解答。
基於輕量級卷積神經網絡對肺部異常結節進行計算機輔助檢測
為了解決apex m輔助 的問題，作者張文彥 這樣論述：
研究背景與目的胸部X光片（CXRs）上的肺結節異常識別對於放射科醫生和患者來說都是很重要的肺部疾病篩查。本文的目的是為放射科醫生開發一個基於卷積神經網絡（CNN）的計算機輔助檢測（CAD）系統。研究方法我們提出了一個CNN架構，旨在檢測那些胸腔病變。由於醫療環境中計算機的計算能力有限，本研究建立之CNN模型的是一個以輕量級之神經網路架構SqueezeNet，結合YOLOv2作為輸出層。在數據標註工作的建立中，可疑的胸腔病灶是由三位具有合格放射醫學執照之高雄醫學大學附屬中和紀念醫院影像醫學部醫師共同標記。研究結果在訓練並獲得最佳模型後，輸出的圖像幾乎涵蓋了由影像醫學部醫師所識別之所有肺部病灶。
與其他已知的基於CNN的模型相比，我們的模型以較輕量之結構表現出很高的功效。此外，該模型識別的可疑性結節異常考慮了其他肺部疾病的結節性不透明或正常乳頭的陰影。因此，該模型在CAD系統中的臨床實施將再進一步的研究工作中進行。結論與建議據我們所知，與我們調查的其他現有CNN模型相比，該模型在識別CXR上的結節性異常方面達到了最高的準確度。儘管在某些區域，如鎖骨交疊處和心後區，尋找可疑結節的任務仍具有挑戰性，但我們提出的模型顯示了尋找這些病變的實力。
使用頦下超音波影像評分與應變量測評估阻塞性睡眠呼吸中止症
為了解決apex m輔助 的問題，作者黃郁文 這樣論述：
阻塞性睡眠呼吸中止症（Obstructive sleep apnea, OSA）是現今常見的睡眠疾病，主要發生原因包括伴隨老化與肥胖而來之口腔周圍的肌肉張力下降，導致OSA患者容易於睡眠平躺時舌根後墜、呼吸道受到壓迫而缺氧。目前臨床主要的診斷方法為使用睡眠多項生理功能檢查（Polysomnography, PSG），但PSG對於患者的病理生理學無法明確解釋，只能從 PSG 得知OSA嚴重程度。研究口腔周遭組織的物理參數與OSA之間的相關性，有助於臨床醫師判斷受測者是否有潛在OSA的可能性，因此陸續有研究使用磁振造影、電腦斷層掃描分析組織的物理參數。相較於上述方法，超音波具有無輻射與即時成像的
優點，能更容易且無害地觀察舌頭與口腔組織。本研究使用超音波舌頭功能影像與應變量測，分析有別於舌頭結構（如：厚度、面積）的功能參數，應變彈性影像只需對灰階超音波影像做分析，即可計算舌頭應變與彈性，相較於剪切波彈性影像更容易實現。應變彈性影像亦可搭配口腔動作，動態分析動作期間的舌頭位移、計算分析舌頭彈性。本研究將舌頭分為三個部分，分別是最大舌根尖（Maximum tongue base apex, TBA）、TBA於舌骨端（Hyoid bone side, TBAH）與TBA於下顎骨端（Mandible side, TBAM），並使用舌壓測定器（Maximum tongue pressure me
asurement, TP）與倒氣測試（Müller's maneuver, MM）兩個動作，搭配斑點追蹤觀察正常呼吸（Normal breathing, NB）到MM或TP期間TBA、TBAH、TBAM的變化，收案的受測者包括8位健康、30位輕度、30位中度、30位重度OSA患者。然而，斑點追蹤對影片中連續幀的品質要求較高，研究過程我們發現部分影像因舌頭拍攝不清楚或受測者動作過大導致舌頭無法穩定地被追蹤，因此我們使用深度學習與類激活映射（Class activation mapping, CAM）計算影像品質分數（Image quality score, IQS）以定量超音波影像品質，並以
適合的IQS截止點篩選超音波影像，研究結果顯示較高的IQS可獲得較高的斑點追蹤穩定度。結果表示中重度與健康輕度OSA在MM動作下的TBA應變存在相關性，且預測中重度與非中重度OSA的操作特徵曲線下面積為0.75、敏感度75%、特異度71.4%，說明了使用應變分析OSA存在其研究的價值。