| 作品介紹 |
本作品提出一套「頸椎骨刺輔助判讀系統」，目的是可以直接指出哪一節頸椎（C3–C7）可能有骨刺，並提供量化依據。這對臨床初步判讀很重要，因為第一線門診常需要在時間有限的情況下快速說明「哪裡有問題」，而傳統肉眼判讀容易受到拍攝角度、姿勢或個人體型差異影響。系統流程可分為影像處理、幾何量測與 AI 推論三部分。首先，使用者上傳頸椎側位 X 光後，系統會自動進行影像強化、二值化、遮罩擷取、旋轉校正與裁切，接著系統在該椎體上自動產生八個關鍵點，並提供介面讓使用者可做一次性微調。這八點相當於幫每一節椎體建立專屬座標系。在這個座標系之上，系統輸出兩種資料：（1）224×224 的「結構線圖」；（2）十六維幾何特徵，包含四角向外突出的程度（ORI）、上下方向的偏移與變形（ori）、局部角度變尖的程度（Angle）、以及四個區塊的膨出、凹陷比例（Area）。ORI 概念來自文獻，用來量化骨刺沿前緣「往外長多少」。本研究將它擴充為「方向分解」：除了量水平外突，也量垂直偏移。Angle 與 Area 則補充該角是否呈尖刺狀、局部是否膨大，讓輸出結果更有臨床可讀性。AI 推論採多模態中期融合架構。影像分支使用 DenseNet-121，輸入為 224×224 結構線圖，負責看形狀與邊界變化。表格分支使用 TabPFN，輸入為上述十六維幾何特徵，輸出「健康、有骨刺」的機率。這兩個分支會在模型中期融合：TabPFN 的機率輸出會被投影後用來引導 DenseNet-121 的影像特徵。最後，模型輸出該椎體是否疑似骨刺的機率 。資料共 2,335 個椎體樣本，其中健康 1,435、有病 900。訓練時考慮類別不平衡，並以驗證集 F1-score 挑選最佳模型。固定切分下，最終融合模型在測試資料上達到約 82.3% 準確率（Accuracy）與約 79.8% 的 F1-score，ROC-AUC 約 0.90，PR-AP 約 0.88。與只用影像或只用幾何特徵相比，融合後的穩定度、召回率與可解釋性都更好。為了讓系統不只是一個模型，而是能實際示範的工具，我們也用 MATLAB App Designer 製作圖形介面。整個流程被包成兩步：第一步上傳 X 光並檢查八點定位；第二步按下推論，系統就回傳每一節椎體的結果，並顯示結果。整個推論可在數秒內完成，適合用於門診初步判讀、教學示範與後續追蹤。 |