成果展示

定位NCCT上缺血性中風的自動

AIIschemia

Acute Ischemic Stroke (AIS), a leading cause of mortality in Taiwan, is typically assessed in the emergency department using non-contrast computed tomography (NCCT) to locate affected regions. However, detecting ischemic changes on NCCT within the first 12 hours post-stroke is challenging due to low contrast and the variability in ischemic lesion size and location across different slices and patients. To address these challenges, this work introduces DLAIS—a deep learning software tool designed for the automatic identification of ischemic slices, precise localization of stroke lesions, and accurate delineation of infarction boundaries throughout the brain. DLAIS provides a comprehensive three-dimensional view of brain tissue, rendering healthy tissue in yellow and highlighting infarcted regions in red, thus enhancing visual clarity and improving clinicians' ability to perceive ischemic locations swiftly.

台灣魚市魚體體長自動化量測系統

專業摸魚

本作品「台灣魚市魚體體長自動化量測系統」聚焦於解決台灣漁業資源因過度捕撈與海洋生態惡化而面臨的挑戰。隨著環境變遷與不當漁業行為的增加，許多魚類在尚未達到成熟體長前即被捕獲，導致市場上魚體普遍偏小，並使生態系統平衡受到影響。本系統旨在協助漁業管理單位與研究人員能夠精確追蹤魚類的成長情況，以支持更科學的漁業管理決策。系統利用人工智慧與深度學習技術，提供魚體自動偵測、魚種辨識以及精準的體長量測功能，實現了一個即時、準確的數據監測平台。 傳統的魚體長度量測多依賴人工標記及量測，研究人員通常使用圖片分析軟體（如 Adobe Photoshop）手動標記魚體特徵點進行測量。然而，這種方法耗時費力，且在魚體數量眾多或拍攝角度不理想時，難以保證精確性與一致性。為解決這些問題，本系統結合了 Intel RealSense Lidar 深度攝影技術與先進的電腦視覺模型進行 3D 點雲數據解析。系統首先通過深度相機捕捉三維點雲數據，將其轉換為 2D 影像進行初步處理，並利用 3D Spline 插值法補足因轉換而遺失的細節，確保影像精度。隨後，通過 Mask R-CNN 模型進行語意分割，將魚體精確地從影像中分割出來，再運用 DenseNet 模型辨識魚種，目前系統支持辨識 12 種常見魚種，可適應多種拍攝條件與環境變化。 在完成魚體分割與辨識後，系統進一步將影像轉換為 Mesh 檔案，透過 Deep-MVLM 模型自動偵測魚體特徵點（如魚吻部與尾鰭凹入處）來計算尾叉長度，避免了魚鰭過長或拍攝角度偏差所造成的測量誤差，確保數據精準度並將誤差控制在 3% 以內。量測與辨識結果將同步存入 MySQL 資料庫，為研究人員提供可追溯的歷史數據，便於分析捕撈趨勢與魚類生長變化。 本系統的創新之處在於將深度學習與電腦視覺技術運用於海洋生態監測，為海洋資源管理提供一種科學、精確且高效的數據支持。未來，我們將持續擴展魚種辨識的範疇，優化模型在不同環境中的適應能力，並加強資料庫的查詢與分析功能，使系統能靈活應對不同魚種及地區的監測需求，助力於台灣海洋資源的永續管理與保育。透過此系統，漁業管理單位與研究人員可大幅減少人工測量的時間成本，提升數據的精確度，進一步支持台灣在漁業資源管理上做出更具前瞻性的決策，最終促進台灣海洋資源的永續發展，並為全球海洋生態保育貢獻力量。

社群惡意言論偵測與管理系統

我沒惡意啦只是說話直

現今社群媒體(e.g. Facebook、Instagram)，留言要直到被停權或被刪除時才能知道違反了哪些社群言論管理規定，而社群管理者(e.g. Facebook社團管理員)也無法自動化管理留言區，讓惡意言論危害社會。故我們藉由訓練NLP模型DistilBERT，立即辨識並顯示留言是否具有有惡毒、極度惡毒、下流、恐嚇、污辱、種族歧視等攻擊性，以遏阻觀眾留下惡意評論；再結合網頁資料庫系統，使創作者能夠屏蔽特定性質的留言，也能封鎖特定不良留言紀錄的觀眾，進而改善破窗效應，而被屏蔽或停權的觀眾也能立刻知道原因。 為解決training data中類別不平衡的問題,我們使用Data Augmentation、Focal Loss及Ensemble Learning等技術。我們利用網頁與深度學習，建構出完整的系統，讓創作者可以自主管理留言區，讓留言審核機制在BERT model的幫助下公開透明。總結而言，我們訓練出支援六種類別的惡意言論辨識模型並建構完整的言論自動管理系統，具有高準確度、高泛化性與Real-time的特點，結合二者使社群中的惡意言論管理自動化，並讓留言者立即知道自己的留言是否違反言論管理規定，以降低使用者攻擊他人的慾望、減緩破窗效應，維護網路言論生態。

基於根尖片之影像分析與偵測系統

Healing up

根據2023年世界衛生組織的報告，全球口腔疾病患者逐年增加，近半數集中於中低收入國家，許多人無法獲得口腔疾病的預防與治療服務。根尖病灶與牙周病變是牙科常見問題，因缺乏明顯症狀，患者常無法及時察覺，導致感染擴大並可能需拔牙。根尖病灶是由細菌侵入牙齒根尖發炎引起，途徑包括齲齒、創傷等。牙周病變則由牙菌斑積聚引起，可導致牙齦和牙根分離。根尖病灶合併牙周流失包含兩者，顯著影響牙齒預後。早期發現對於及時干預和預防進一步併發症至關重要。為解決上述問題，開發根尖病灶與牙周流失的影像分析偵測系統，利用卷積神經網絡（CNN）、YOLO物件偵測、影像分割及影像強化技術，基於根尖片進行遷移學習，提升對兩種病徵的檢測與分類準確性，從而促進精準治療的實現。通過提高診斷效率與準確度、減少誤診和延誤治療，進而提升患者滿意度、降低病痛與成本，並促進口腔健康的早期偵測與治療。 【貢獻】 (1)相較於使用YOLOv8進行物件偵測，根尖病灶的影像辨識以CNN表現更佳，其F1-Score達到92.45%。 (2)本作品新提出根尖病灶合併牙周流失的病徵，CNN的F1-Score最佳達到96.49%，而YOLOv8為88.49%。 (3)經過資料擴增與自適應直方圖均衡化處理的影像，以CNN模型中的ConvNextv2驗證準確率最高，達到95.23%。 【功能與特色】 本作品結合 YOLOv8 物件偵測模型、定向邊界框（OBB）技術、多種影像強化技術及六種不同的 CNN 模型，實現自動化的根尖片影像分析，能夠自動偵測、切割和分析影像。經實驗驗證，在辨識根尖病灶及根尖病灶合併牙周流失方面具備超過 90% 的準確率。此外，圖形使用者介面（GUI）操作簡便，提供多樣化的影像處理模式、模型選擇、預測結果展示及多格式匯出功能。 【創新與實用性】 符合聯合國永續發展目標（SDGs）第3項「良好健康與福祉」，推動口腔健康產業的創新，提升臨床診療效率，協助醫生更有效地診治病患。在創新商業應用上，系統可通過B2B模式向口腔診所、醫院及健康機構提供技術服務與產品，亦可通過B2C模式為個人病患提供線上AI辨識服務。同時，結合大數據分析，對口腔病徵進行深度分析與預測，提供精準診斷與治療建議，並建立智能化的口腔健康檔案與管理系統，實現實時監測與個性化健康管理。

顱內腦脊髓液量化系統與介面開發

Fu錢修大腦

自發性顱內低壓(Spontaneous Intracranial Hypotension, SIH)是一種由腦脊髓液滲漏至硬腦膜外引起的疾病，造成SIH的因素包括結締組織疾病、減重手術、脊髓問題，如骨刺、椎間盤突出，由於顱內的腦脊髓液提供營養運輸和大腦保護，因此準確評估其容積對於診斷和治療自發性顱內低壓十分重要。 自發性顱內低壓若未能及時治療，對患者的日常生活影響甚大。醫師在治療期間皆會擷取磁振影像以追蹤患者復原狀況，因大腦結構較為複雜，若只依據MR影像進行診斷，不同醫師可能會基於其判斷標準而給出不同的診斷結果，使得此種定性評估的方式在追蹤病患治療方面缺乏準確性。為此，本組開發一套以深度學習為基礎之定量評估系統量化顱內腦脊髓液的容積，輔助醫師進行診斷與治療。 透過醫院端的醫療影像儲存與傳送系統(Picture archiving and communication system, PACS)獲取MR影像，並與實驗室開發此系統，此系統包含影像的前處理與模型預測，前處理將原始影像160x224重採樣至192x192，模型預測部分透過殘差注意力機制與U-Net3+進行影像自動分割。為了解決處理程序繁雜以及使用的技術門檻等問題，本組將以圖形使用者介面呈現，將所需的功能彙整至介面按鈕中，如影像前處理、模型預測、腦脊髓液容積計算以及影像預覽等功能。 此系統使用RAU-Net3+模型預測後的結果作為量化基礎，建置一系統能輔助醫師進行精確的診斷與治療，除治療前後的容積計算與變化趨勢，也整合了影像預覽和文字備註等功能，讓醫師能即時記錄診斷中的重要細節和變化，並為病患制定適合的治療計劃，提升醫療品質。

根尖X光定位齒槽骨及牙釉質交界

尖尖片小組

本研究針對牙周病引發的骨質流失提出了基於AI的自動化影像分析技術，以提高診斷效率和準確性。牙周病是一種會影響牙齒穩定性與健康的慢性炎症，未及時發現可能造成齒槽骨損失、牙周袋增大、牙齦退縮，最終導致牙齒鬆動或脫落。傳統上，牙醫師需在根尖片（PA）上手動標記ALC和CEJ以評估骨質流失，耗時且易出現誤差。本研究透過分析根尖X光片，準確定位牙槽嵴（ALC）和牙釉質交界（CEJ），作為評估骨頭流失的參考點。 研究方法包含四個步驟：首先，利用YOLO v8模型進行目標檢測，標記牙齒區域，並分為「正常」與「異常」兩類。接著，應用Mask R-CNN進行牙齒實例分割，生成牙齒、骨頭及牙冠三種遮罩。系統在牙齒遮罩階段保留每顆牙的最大面積，並擴展牙冠遮罩以覆蓋牙冠。疊加牙齒與擴展後的牙冠遮罩，定位CEJ；進一步疊加骨頭遮罩後，標示出ALC，為骨質流失評估提供依據。 本研究以Apex為基準，提出兩種牙周流失計算方法：1. 垂直計算法：定位Apex，以CEJ為基準計算Tooth Mask的上下距離，最遠水平線為Apex level。CEJ至Apex level的距離為RL（根長），ALC到Apex的距離為ABH（齒槽骨剩餘量），進行骨質流失量化分析。2. Apex level中點法：取Apex level與Tooth Mask交界中點為根部點，計算CEJ、ALC與根部點的距離，得出RL和ABH，代入公式(3)進行量化評估。 此外，本研究設計的骨質流失評估技術，將骨質流失分成5個等級，並定義8%、15%、40%、60%四個區間，協助醫師進行具體的臨床評估，便於快速了解病情並制定治療方案。

電巴精算師

電巴精算師

「電巴精算師」以政府2030年市區公車全面電動化為目標提出完善的解方，此系統的核心在於優化電動巴士的充電排班效率，協助業者逐步進行巴士能源轉型，並建立完善的電巴營運制度，進而提升公共運輸服務的品質。我們也透過智慧交通物聯網及開放資料平台，並結合大數據和人工智慧進行分析，在充電樁數量有限的情況下精算出最適合該路線的車隊規模，以確保更即時的電巴供需匹配，同時幫助企業評估電巴的營運成本及效益，達到充電排班效率最佳化的目標。整體而言，「電巴精算師」致力於推動智慧科技與自然環境共生共榮的永續社會。 在登入後點選「優化路線」，從帳號中已保存在後端資料庫的數據分別選取路線、充電樁以及車隊的資訊，微調並確認後電巴精算師系統即可生成經基因演算法最佳化過的公車排班表。系統會根據路線的情況、充電站的分布以及車隊當天的運輸量能等排班要素，匹配出符合排班工程師輸入需求的班表（公車班表），提供排班工程師參考並進行規劃當天的出車情形。此外，電巴精算師亦提供符合業者客製化需求的工時資訊表（司機班表），確保車隊司機的勞動狀況能以表格直觀檢視。 排班完成後，電巴精算師能視覺化排班結果，讓排班工程師能檢視班表運營一天的具體狀況，同時提供下載功能讓客運業者及司機能在必要時取得生成班表的excel檔以供檢視，電巴精算師將協助公車業者在因應數位轉型及公車全面電動化的同時仍能排除歷史包袱帶來的不便，滿足市場的運輸需求及達到營運效益的最大化，未來敝團隊也期許將電巴精算師的服務擴展到充電樁業者的需求，完成電巴從能源管理到乘客運輸一連串需求上的轉型。

兒童髖關節偵測輔助系統

吾童術

發展性髖關節發育不良(developmental dysplasia of the hip, DDH)又名兒童髖關節發育不良，為一種在嬰兒和幼兒中常見的髖關節發育異常疾病。面對該疾病，超音波篩檢為一種常見的檢測手段，醫師將針對75%~80%的潛在異常案例，透過超音波從正側面檢查嬰兒骨盆和髖關節的包覆關係，並生成包含股骨頭、髖關節及髖臼窩影像，再根據影像得出Alpha和Beta的夾角，而後判斷兒童髖關節病況。透過與醫師訪談得知，當前根據影像所得出的夾角數值仍須經由人工判讀並計算，其看診流程不僅效率欠佳，且由於缺乏影像輔助辨識的技術，使得從影像判讀到宣讀病歷的診病步驟仍舊繁雜，尚未有相對應的系統輔助診斷得以提升其診療效率。 基於上述緣由，本團隊設計並開發出「兒童髖關節偵測輔助系統, DDH - DAS」。透過髖關節影像的處理與輸出，針對現今看病流程提出一套新的輔助方案。本系統利用影像增強技術提升影像細節，並採用U-Net網絡以自動識別髖關節結構，並進行特徵點技術標記連線工程，再透過本團隊所設計之I-AD圖形角度測量演算法計算出Alpha角與Beta角。最終會根據患者病歷號進行資料保存，也可根據醫師需求，將影像及資料導出，提供醫師有系統性且便捷的髖關節輔助判定流程。

聾正常溝通師

聽語新境界

當聽力障礙者因無法清晰地聽到自己或他人說話的聲音，經常會發生發音不清的情況。這種語音不清晰的現象常常讓他們在與他人交流時感到困惑與挫敗，因為對方很可能聽不懂他們想要表達的內容。這樣的溝通障礙不僅讓聽障者面臨實質上的不便，也可能導致心理上的不自信，進一步影響社交互動與日常生活品質。 為了解決這個問題，本團隊傾力開發了一個名為「聾正常溝通師」的智慧系統，旨在幫助聽障者更加流暢地與他人交流。這個系統由硬體與軟體兩大部分組成，結合創新技術與使用者友好的設計，力求提供完整而實用的溝通支持。 在硬體設計方面，我們選用了領夾式無線麥克風作為主要的聲音收錄設備。這種設計不僅輕便易用，還能更貼合日常生活的使用情境，使使用者能夠自然地進行對話，而無需刻意將嘴巴對準手機或其他裝置。這樣的設置大大提升了使用便利性，讓聽障者能更自在地參與各類場合的對話，無論是在家庭聚會中、學校課堂上，還是在公共場所。 而在軟體部分，我們自研並訓練了一套專門的語音轉換模型，名為「DDC-GAN」，這個模型結合了CNN（卷積神經網絡）和CycleGAN-VC2技術。DDC-GAN模型具備強大的語音轉換能力，能夠將聽障者說出的不清晰語音轉換成清晰可理解的語音，從而幫助聽者輕鬆聽懂對方的話語。整個系統被設計成一個Web App，使用者可以輕鬆地在手機或其他設備上進行操作，享受即時轉換功能。 更進一步，我們的系統還整合了Google的Speech-to-Text技術，將清晰語音即時轉換為文字顯示，這對於無法直接理解語音內容的傾聽者提供了額外的幫助。這項功能能夠協助聽障者和他們的溝通對象在特殊情境下進行更為順暢的交流。當聽障者說話時，使用者只需按下錄音按鈕開始說話，再按下轉換按鈕，DDC-GAN模型會迅速將語音轉化為清晰的語音並顯示對應的文字，讓交流更為高效且精準。 我們深信「聾正常溝通師」系統能夠幫助聽障者改善日常溝通困難，從而增加他們在社會互動中的信心與自在感。我們期望這個創新解決方案能成為聽障者和他們周圍人群之間的橋樑，消除溝通障礙，讓每一個對話都更加自然流暢。

聾正常溝通師

聽語新境界

當聽力障礙者因無法清晰地聽到自己或他人說話的聲音，經常會發生發音不清的情況。這種語音不清晰的現象常常讓他們在與他人交流時感到困惑與挫敗，因為對方很可能聽不懂他們想要表達的內容。這樣的溝通障礙不僅讓聽障者面臨實質上的不便，也可能導致心理上的不自信，進一步影響社交互動與日常生活品質。 為了解決這個問題，本團隊傾力開發了一個名為「聾正常溝通師」的智慧系統，旨在幫助聽障者更加流暢地與他人交流。這個系統由硬體與軟體兩大部分組成，結合創新技術與使用者友好的設計，力求提供完整而實用的溝通支持。 在硬體設計方面，我們選用了領夾式無線麥克風作為主要的聲音收錄設備。這種設計不僅輕便易用，還能更貼合日常生活的使用情境，使使用者能夠自然地進行對話，而無需刻意將嘴巴對準手機或其他裝置。這樣的設置大大提升了使用便利性，讓聽障者能更自在地參與各類場合的對話，無論是在家庭聚會中、學校課堂上，還是在公共場所。 而在軟體部分，我們自研並訓練了一套專門的語音轉換模型，名為「DDC-GAN」，這個模型結合了CNN（卷積神經網絡）和CycleGAN-VC2技術。DDC-GAN模型具備強大的語音轉換能力，能夠將聽障者說出的不清晰語音轉換成清晰可理解的語音，從而幫助聽者輕鬆聽懂對方的話語。整個系統被設計成一個Web App，使用者可以輕鬆地在手機或其他設備上進行操作，享受即時轉換功能。 更進一步，我們的系統還整合了Google的Speech-to-Text技術，將清晰語音即時轉換為文字顯示，這對於無法直接理解語音內容的傾聽者提供了額外的幫助。這項功能能夠協助聽障者和他們的溝通對象在特殊情境下進行更為順暢的交流。當聽障者說話時，使用者只需按下錄音按鈕開始說話，再按下轉換按鈕，DDC-GAN模型會迅速將語音轉化為清晰的語音並顯示對應的文字，讓交流更為高效且精準。 我們深信「聾正常溝通師」系統能夠幫助聽障者改善日常溝通困難，從而增加他們在社會互動中的信心與自在感。我們期望這個創新解決方案能成為聽障者和他們周圍人群之間的橋樑，消除溝通障礙，讓每一個對話都更加自然流暢。