imp醫學檢查的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列免費下載的地點或者是各式教學

99mTc-MDP於SPECT/CT正常骶髂骨關節標準攝取值建立之探討

為了解決imp醫學檢查的問題，作者林秝蓁 這樣論述：

研究目的在核子醫學檢查中，結合SPECT/CT的骨骼掃描，常應用於癌症、關節炎、骨髓炎、轉移等骨骼疾病診斷。診斷慢性下腰疼痛疾病根源的骶髂關節炎時，以往多使用平面骨盆骨骼影像進行SI/S分析，但平面影像使用上常有許多限制，如薦椎或腰椎有骨病變影響分析數值、不同觀察者之間分析差異或因病變位置較隱匿性導致分析數據不穩定。本研究針對正常受試者之骨盆SPECT/CT進行SI-joint做定量分析，試圖確立SI-joint 圈選方式並建立正常骨盆SUV數值。材料與方法本研究使用GE Discovery 670 Pro SPECT/CT收集30位受試者骨盆正常之SPECT/CT影像（20位男性，10位女

性，年齡49.17±8.45歲），影像收集時排除脊椎或下肢相關疾病、腰椎及骨盆X光異常，以GE軟體Q.Metrix進行影像SUV分析，採用冠狀面積法、冠狀直線法以及橫切直線法三種方式進行手動方式ROI圈選。其中冠狀面積法將骶髂關節分為三等份以骶髂骨關節輪廓方式做圈選，冠狀直線法將骶髂關節分為三等份以中間直線方式做圈選，橫切直線法則是將骶髂關節影像以中間直線方式做圈選，所有影像經過兩位不同觀察者圈選後，再進行一致性分析。結果結果顯示冠狀面積法右側骶髂關節最大值2.02~2.22；左側骶髂關節最大值1.89~2.18。冠狀直線法右側骶髂關節最大值1.87~2.22；左側骶髂關節最大值1.86~2.

19。橫切直線法右側骶髂關節最大值1.70~1.91；左側骶髂關節最大值1.75~1.89。觀察者1與觀察者2之間一致性為0.9615與0.9949。結論冠狀直線法不論是在圈選時間或是不同觀察者間的一致性都較符合臨床與研究作為使用方法，數據有助於骶髂骨關節相關疾病研究或臨床參考使用。

基於深度學習類神經網路磁振造影自動化識別-以腮腺腫瘤為例

為了解決imp醫學檢查的問題，作者沈俊昌 這樣論述：

腮腺腫瘤為人體頭頸部罕見疾病之一，發病原因及風險並無明確研究指出，雖然腮腺腫瘤約八成機率是良性腫瘤，但腫瘤可能會逐漸長大而導致壓迫鄰近的正常組織，甚至有惡性變化的可能，因此通常需要手術切除。本研究為了提升醫師診療之效率和降低人為疏失，並增加醫療診斷的準確性，提出了一種判別患者腮腺腫瘤之模型，透過該模型，能夠協助醫師找出患者確切的腫瘤位置。本研究所提出的判別模型包含了｢影像訓練｣和｢判別機制｣。首先，本研究先從臺北某醫學中心放射診斷部所提供的磁振造影成像經由深度學習的方式，採用卷積神經網路，進行模型之訓練及調校。接著將訓練完所得之數據，通過訓練數據集辨識系統，進行新影像測試系統準確率。本研究經

過實際測試結果，判別準確率達到99%以上。實驗結果證明，本研究模型能夠成功地識別患者是否罹患腮腺腫瘤，研究相關模型規則可套用在爾後醫師進行自動化識別之檢查時，能夠更快速的檢測出病患罹患腫瘤與否，進而達到協助醫師做出更快速之診斷效率。