智慧醫療影像與訊號處理

臺北科技大學 115-1 學期課程，課號 366367。

課程大綱

本課程探討智慧醫療影像與生醫訊號處理技術及其在臨床應用中的分析與判讀方法。課程涵蓋醫學影像與訊號處理的基本概念，包括影像增強、雜訊抑制、濾波、邊緣偵測、影像分割與對齊等原理與技術，以及生醫訊號之前處理與特徵擷取方法。在此基礎上，進一步介紹機器學習與深度學習於醫療影像分類、偵測與分割之應用。課程同時涵蓋模型評估指標、模型統計與可解釋性分析，以及影像—文字多模態模型在輔助臨床判讀中的潛力與限制。此外亦探討資料倫理、隱私治理與主權 AI 等議題，使學生了解醫療影像模型部署於實際場域時所面臨的挑戰。

課程進度

1. 基礎原理 3 週 •醫學影像基本原理：X 光、CT 等成像機制 •影像處理經典技術：影像增強、雜訊抑制、濾波、邊緣偵測、影像分割與對齊 2. 機器學習與深度學習應用 6 週 •經典機器學習於醫療影像之應用 •卷積神經網路與深度學習架構 •醫療影像分類、偵測與分割任務實作 3. 進階主題 4 週 •模型評估指標、模型統計與可解釋性分析 •心臟 X 光與 CT 影像之案例分析 •外部公開資料集整合運用 •影像—文字多模態分析 •DICOM 影像格式與醫療影像資料標準 4. 臨床實務與倫理 1 週 •臨床影像/訊號處理判讀經驗分享 •醫療影像標註流程與品質控管 •資料倫理、隱私治理與主權 AI 議題 5. 期末專題報告 •整合課程所學，完成可展示之醫療影像分析專題

評量方式

分組實驗作業 50% (共計三個實驗-EKG心跳估計、X光攝影血管分割、CT影像心房、心室分割) 期末專題 30% 口頭測驗 15% (課程內容相關) 業師授課課程、彈性學習 5%

教材

【遵守智慧財產權觀念，請使用正版教科書，不得使用非法影印教科書】 使用外文原文書：否 1. Gonzalez & Woods, Digital Image Processing 2. Goodfellow, Bengio, Courville, Deep Learning 3. Simon Prince, Understanding Deep Learning 課程教材: https://drive.google.com/drive/folders/1Kkm8cA7JW46xRnCh6mgnAQ-D5Rw10ZNI?usp=sharing