2026-10-302026-10-30https://scholars.csmu.edu.tw/handle/123456789/37063本計畫旨在開發基於深度學習的醫學影像分析方法，應用於杵狀指的自動化檢測與分割。杵狀指為重要的臨床指標，與多種肺部及心血管疾病的早期診斷息息相關。但傳統檢測方法依賴醫療人員的主觀判斷，面臨準確性不足及效率低下等挑戰。因此，本研究提出以Mask R-CNN與YOLOv8為核心的深度學習模型，結合影像分割與特徵提取技術，實現杵狀指影像的精確分析。研究方法包括：(1) 建立涵蓋不同病變程度及影像品質的資料集；(2) 採用YOLOv8進行快速目標檢測，定位手指區域；(3) 使用Mask R-CNN進行像素級分割，提取杵狀指病變特徵點；(4) 設計多任務損失函數框架，提升分割準確性；(5) 開發自動化分析平台，進行結果可視化與病變量化分析。預期成果為發展可應用於臨床的杵狀指影像分析系統，提升疾病早期診斷的效率與準確度，提高診斷效率與準確度，並能促進智慧醫療應用之發展。杵狀指深度學習Mask R-CNNYOLOv8醫學影像分割人工智慧digital clubbingdeep learningMask R-CNNYOLOv8medical image segmentationAIProject