課程名稱：人工智慧總整與實作
領域：人工智慧小組
師資：王才沛
作者：莊婷馨、吳佳諭、 謝詠晴
此專案處理 GlaS@MICCAI’2015 資料集中腺體組織切片影像的二元分割任務，運用深度學習方法於醫療影像分析。團隊比較了兩種模型：廣泛使用的 U-Net 以及具備邊界感知能力的 DCAN。為提升模型效能，學生們嘗試了多種前處理策略，包括 Macenko 顏色正規化、直接縮放與填補式縮放，以及多種資料增強技術。訓練使用灰階與 RGB 影像進行，並分別在 30 與 300 個 epochs 下訓練，包含有與沒有測試時增強（TTA）的設定。模型效能以 Dice、IoU、Hausdorff Distance（HD/HD95）與 ASSD 指標進行評估。實驗結果顯示，在 RGB 影像並搭配縮放、資料增強與 TTA 的條件下訓練之 DCAN 模型，達到最佳的邊界準確度（ASSD 0.9053）。專案影片呈現了真實標註與模型預測遮罩的並排比較，凸顯了更先進的模型架構與訓練策略在邊界精準度上的顯著改善。
主要成果：
模型實作：完成 U-Net 與 DCAN 架構的訓練與比較。
資料增強：應用多種影像增強技術，分析其對模型表現的影響。
多指標評估：使用 Dice、IoU、Hausdorff Distance (HD)、Average Symmetric Surface Distance (ASSD) 等衡量精度與邊界品質。
結果分析與可視化：提供定量與定性對照，顯示 DCAN 在邊界細節上更具優勢，而 U-Net 具備更穩定的整體精度。
