若要將本系統的功能完善到開發本系統的目的，還有許多需要改進的地方。
第一個需要改進的部分為減層變型的 Net 架構中參數的調降。目前使用的 U-Net 架構，所需的訓練時間很長，每一次訓練需要花費 10 小時以上，未來期望能 因調整減層變型的U-Net 架構中的參數調降加快訓練速度，並且能確保其應有的 正確率。
第二個需要改進的部分是AoD 的算法，儘管在第四章第七節提到的平均 IoU 超過 80%的時候，在本研究中不會出現系統計算出的 AoD 高於實際疾病辨識正 確率的情況，但為避免出現例外狀況，本研究中AoD 的算法還是需要改進。
第三個需要改進的部分為資料庫中影像標記的數量需要增加，能辨識的疾病 也需要增加。目前標記的影像數量還不夠多。因為耳型有很多種，以28 位患者的 耳朵影像訓練出的系統其涵蓋範圍可能不夠全面。另外，資料庫中應加入具光線 變化及角度調整問題的耳朵影像和標記，使得卷積神經網路能學習到更具代表性 的特徵。在疾病辨識的種類上，本系統目前只能辨識九種疾病，然而目前可用視 診辨識出的疾病不僅於此，故期望未來系統在這方面能進一步的擴充。
第四個需要改進的部分是在耳醫學的理論中，有些疾病是要許多穴位互相搭 配才能進行辨識，例如女性的內尿道穴要配合尿道穴才能來確認是否為尿道炎。
而男性雖然是沒有子宮頸穴的，但若在子宮頸穴位對應的位置上出現陽性反應，
則可搭配其它穴位判斷是前列腺炎、腫瘤或下腹痛。因此期望未來研究考慮到多 穴位疾病辨識，以提升本系統的功能和作用。
第四個需要改進的部分是要加入整合同一位參與者多張耳朵影像的視診陽 性反應區域偵測結果的功能。因目前同一位參與者的視診陽性反應區域偵測結果 只用單獨一張耳朵影像，會使拍攝角度不夠正確的耳朵影像無法偵測出視診陽性 反應區域，從而導致 IoU 和 AoD 無法提升，若能整合同一位參與者多張耳朵影 像的視診陽性反應區域偵測結果相信對於辨識結果會有所提升。
最後，在卷積神經網路架構的選擇方面也有可調整和改進的空間。期望未來 工作能使本系統更完善、更多元化。
80
參考文獻
[Cin17] C. Cintas, M. Quinto-Sánchez, V. Acuña, C. Paschetta, S. de Azevedo, C.
C. S. de Cerqueira, V. Ramallo, C. Gallo, G. Poletti, M. C. Bortolini, S.
Canizales-Quinteros, F. Rothhammer, G. Bedoya, A. Ruiz-Linares, R.
Gonzalez-José, and C. Delrieux, “Automatic Ear Detection and Feature Extraction Using Geometric Morphometrics and Convolutional Neural Networks,” IET Biometrics, vol. 6, no. 3, pp. 211-223, April 2017.
[Sar16] M. Saranya, G. L. Infant Cyril, and R. R. Santhosh, “An Approach Towards Ear Feature Extraction for Human Identification,” Proceedings of 2016 International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT), pp. 4824-4828, Chennai, 2016.
[Lon15] J. Long, E. Shelhamer, and T. Darrell, “Fully Convolutional Networks for Semantic Segmentation,” Proceedings of 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 3431-3440, Boston, 2015.
[Noh15] H. Noh, S. Hong, and B. Han, “Learning Deconvolution Network for Semantic Segmentation,” Proceedings of IEEE International Conference on Computer Vision (ICCV), pp. 1520-1528, Las Condes, 2015.
[Ron15] O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” Proceedings of the 18th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), pp. 234-241, Munich, 2015.
[Yu17] F. Yu, V. Koltun, and T. Funkhouser, “Dilated Residual Networks,”
Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 636-644, Honolulu, 2017.
[He16] K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 770-778, Las Vegas, 2016.
[Che15] L. C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, and A. L. Yuille,
“Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs,” Proceedings of 2015 International Conference on
81
Learning Representations (ICLR), pp. 1-14, San Diego, 2015.
[Che17] L. C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, and A. L. Yuille,
“DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs,” IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2017.
[Che17] L. C. Chen, G. Papandreou, F. Schroff, and H. Adam, “Rethinking Atrous Convolution for Semantic Image Segmentation,” arXiv: 1706.05587, 2017.
[Che18] L. C. Chen, Y. Zhu, G. Papandreou, F. Schroff, and H. Adam, “Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation,” Proceedings in European Conference on Computer Vision (ECCV), pp. 801-818, Munich, 2018.
[Lin16] G. Lin, A. Milan, C. Shen, and I. Reid, “RefineNet: Multi-Path Refinement Networks for High-Resolution Semantic Segmentation,” arXiv:
1611.06612, 2016.
[Zha16] H. Zhao, J. Shi, X. Qi, X. Wang, and J. Jia, “Pyramid Scene Parsing Network,” arXiv: 1612.01105, 2016.
[Rad18] R. M. Rad, P. Saeedi, J. Au, and J. Havelock, “Multi-Resolutional Ensemble of Stacked Dilated U-Net for Inner Cell Mass Segmentation in Human Embryonic Images,” Proceedings of 2018 25th IEEE International Conference on Image Processing (ICIP), pp. 3518-3522, Athens, 2018.
[Zho18] Z. Zhou, M. M. R. Siddiquee, N. Tajbakhsh, and J. Liang, “UNet++: A Nested U-Net Architecture for Medical Image Segmentation,” Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support (DLMIA), pp. 3-11, Springer, 2018.
[Igl18] V. Iglovikov and A. Shvets, “TernausNet: U-Net with VGG11 Encoder Pre-Trained on ImageNet for Image Segmentation,” arXiv:1801.05746, 2018.
[Tan19] Y. Tang, F. Yang, S. Yuan, and C. Zhan, “A Multi-Stage Framework with Context Information Fusion Structure for Skin Lesion Segmentation,”
Proceedings of 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019), pp. 1407-1410, Venice, 2019.
[Xia18] X. Xiao, S. Lian, Z. Luo, and S. Li, “Weighted Res-UNet for High-Quality Retina Vessel Segmentation,” Proceedings of 2018 9th International Conference on Information Technology in Medicine and Education (ITME), pp. 327-331, Hangzhou, 2018.
82
[Gon18] G. González, G. R. Washko, and R. S. J. Estépar, “Multi-Structure Segmentation from Partially Labeled Datasets. Application to Body Composition Measurements on CT Scans,” Proceedings of International workshop on Image Analysis for Moving Organ, Breast, and Thoracic Images, pp. 215-224, Granada, September 2018.
[Iof15] S. Ioffe and C. Szegedy, “Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift,” Proceedings of The 32nd International Conference on Machine Learning (ICML), pp. 448-456, Lille, 2015.
[黃17] 黃麗春，耳穴診斷學，2017年。
[1] 衛生福利部統計處，2018 年死因統計，https://www.mohw.gov.tw/cp-16-48057-1.html，2019 年。
[2] ResNet-18 網路結構，https://blog.csdn.net/sunqiande88/article/details/
80100891。
83
附錄一
2018 年國人十大死因與對應之視診陽性反應[黃 17]：
(一) 癌症：(依照 2018 年國人十大癌症死亡順序) (1) 氣管、支氣管、肺癌：
1. 氣管癌：無視診陽性反應。
2. 支氣管癌：無視診陽性反應。
3. 肺癌：肺穴區有暗灰色結節狀隆起，邊界不清或呈片狀增厚、質硬 或周圍可見紅潤，腫瘤特異區2 呈片狀暗灰色或深褐色如蠅 尿狀，壓之退色。
(2) 肝和肝內膽管癌：
1. 肝癌：肝穴區結節狀暗灰色隆起，可見蜘蛛癌或暗紫色梅花形。
2. 肝內膽管癌：無視診陽性反應。
(3) 結腸、直腸和肛門癌：
1. 結腸癌：大腸穴區、腹脹區、少腹(下焦穴區)失去平坦、凹陷和光 澤，可見似丘疹樣結節隆起，數目不等，多為白色、褐色 或暗灰色。
2. 直腸癌：大腸穴區、腹脹區、少腹(下焦穴區)失去平坦、凹陷和光 澤，可見似丘疹樣結節隆起，數目不等，多為白色、褐色 或暗灰色。
3. 肛門癌：無視診陽性反應。
(4) 女性乳(乳腺)癌：乳腺穴區結節狀或片狀褐色隆起，凹凸不平，在結 節隆起的周圍色紅。
(5) 口腔癌：無視診陽性反應。
(6) 前列腺(攝護腺)癌：前列腺穴區結節狀隆起。
84
(7) 胃癌：胃穴區暗紅色結節隆起，周邊清楚。
(8) 胰臟癌：無視診陽性反應。
(9) 食道(食管)癌：食道穴區條片狀、點狀或結節狀隆起，暗灰色、無光 澤。
(10) 子宮頸及部位未明示子宮癌：
1. 子宮頸浸潤癌：子宮頸穴區紅色腫脹，凹凸不平。
2. 子宮體癌：子宮穴區結節反應隆起不平。
3. 子宮腺癌：子宮穴區色紅腫脹，凹凸不平。
(二) 心臟疾病：
(1) 心律失常：
1. 心律不整：1) 心穴區正常生理凹陷、反光區消失，可見輕度白色水 腫及數目不等的點狀褐色或暗紅色丘疹。若點狀凹陷 似龜裂呈「米」字樣排列者，多為完全性束支傳導阻 滯。若為半個「米」字樣排列者，多為不完全性束支 傳導阻滯。
2) 耳垂上可見心律不整溝。
2. 心動過速：無視診陽性反應。
3. 心動過緩：1) 心穴區正常生理凹陷、反光區消失。
2) 心穴區平坦或膨脹。
4. 血管神經官能症：心穴區正常(無視診陽性反應)。
(2) 冠心病：1) 心穴區正常生理凹陷、反光區消失，呈現色白水腫。
2) 耳垂上可見心律不整溝。
(3) 風濕性心膽病：心穴區正常生理凹陷消失，可見毛細血管呈弧狀或環 狀扭曲充盈，呈暗紅色或見心穴區邊緣呈暗紅色丘疹 樣環形改變，心穴區範圍增大約7mm × 7mm以上。
(4) 心臟擴大：心穴區呈大面積環狀隆起，直徑大於0.7cm以上，界線清
85
眺，嚴重心臟病時心穴區擴大可佔據整個耳甲腔區。
(5) 心肌炎：心穴區環中有不規則隆起和凹陷，或見皺褶，色澤紅潤，界 線清晰。部分患者心穴區呈暗紅色，有光澤。
(6) 肺源性心臟病：肺穴區呈片狀白色腫脹或呈網狀血管怒張，心穴區呈 環狀皺褶擴大，邊緣暗紅色，均有光澤。
(三) 肺炎：肺穴區呈小片白色水腫或有丘疹樣紅暈，邊緣清晰，有光澤。
(四) 腦血管疾病：
(1) 腦出血：腦穴區片狀色紅，邊界不清。
(2) 腦栓塞：腦穴區點狀色紅，邊界清晰或見毛細血管呈蜥科蚌或海星壯 擴張。
(五) 糖尿病：糖尿病點穴區色白腫脹。
(六) 事故傷害：無視診陽性反應。
(七) 慢性下呼吸道疾病：
(1) 慢性氣管炎：氣管穴區片狀白色隆起或白色丘疹樣環狀改變，無光 澤。
(2) 慢性支氣管炎：支氣管穴區白色片狀隆起數目不等的丘疹，皮膚粗 糙，無光澤。
(3) 支氣管哮喘：無視診陽性反應。
(4) 支氣管擴張：支氣管、肺穴區條狀暗紅色反應，肺穴區可見毛細血管 充血橫貫肺穴區。
(八) 高血壓性疾病：降壓點穴區無明顯反應，升壓點穴區平坦。
(九) 腎炎、腎病症候群及腎病變：
(1) 腎炎：
1. 腎小球腎炎：腎穴區呈色白隆起腫脹或見腎穴區有丘疹樣改變。
2. 腎盂腎炎：腎穴區呈隆起腫脹，白色反應或腎穴區有丘疹樣改變。
(2) 腎病症候群：無視診陽性反應。
86
(3) 腎病變：無視診陽性反應。
(十) 慢性肝病及肝硬化：
(1) 慢性肝病(炎)：肝穴區可見白色腫脹，隆起處可見點、片狀色暗。
(2) 肝硬化：肝穴區色澤發暗或見小的毛細血管扭曲擴張似蜘蛛癌，脾穴 區腫脹，食管、胃穴區有色澤紅潤或小的毛細血管網狀擴 張。
87
附錄二
右耳耳穴位置圖：
88
附錄三
左耳耳穴位置圖：