計畫概述：

本研究提出的HC-Net模型在胎兒醫學影分割方面預期具有顯著的影響力。

首先，HC-Net對UNet3+的跳躍連結機制進行改進並引入注意力機制，顯著提升了模型對多尺度特徵的融合與選擇性學習能力，使其在胎兒頭圍測量中能夠更加準確地捕捉目標區域的細節和邊界特徵。

這種高效的特徵處理方法提升了醫學影像分割的準確性與穩定性，為臨床診斷提供了更加可靠的技術支持。

其次，本研究解決了影像分割模型中細節損失與樣本不平衡的問題。

採用的加權損失函數策略，包括GHM-BCE Loss、MS-SSIM Loss和Dice Loss，從不同層級出發協同優化，針對梯度分佈不平衡、結構相似性和分割區域重疊程度進行全面提升。

這些改進不僅增強了模型對困難樣本的學習能力，也提高了其在局部與全局結構上的感知能力，使分割結果更具精確性與一致性。

綜合而言，HC-Net模型為胎兒頭圍測量與分析提供了一種高效能且穩定的技術框架，不僅解決了傳統方法中的瓶頸問題，還顯著提升了影像處理的精確性與穩定性。

這些技術突破將對胎兒醫學影像的自動化分析和臨床應用產生深遠影響，並為醫學影像處理領域的進一步發展提供了新思路和新方法。

計畫主持人：劉遠楨 教授

執行期間：114.08.01～115.07.31