我們致力於探索多元應用與跨領域整合的研究方向，著重於醫學影像處理、深度學習、多模態AI和大型語言模型（LLM）等技術的發展，提供學生於工程、資訊科學及醫學等領域實踐的機會。研究涵蓋生醫影像處理、雲端計算、生醫信號和多模態大型語言模型（MLLM），目標是將技術應用於健康監控和醫學診斷。

在生醫影像處理方面，聚焦於磁振造影（MRI）的影像分割、特徵萃取、及自動化影像分析技術，特別是腦部與心臟結構影像分割和心肌影像分析。透過 U-Net、SegNet 等深度學習模型，實現高精確度的病變辨識與影像處理，應用於急性缺血性中風、肺部疾病及心肌疾病的診斷。針對法洛氏四重症及心臟 T1 映射，我們採用生成對抗網絡（GAN）和卷積神經網絡（CNN），進一步提升影像重建和分割的準確性。透過雲端運算和物聯網技術，本實驗室能有效地即時分析和儲存生態與醫療數據。研究將深度學習技術應用於生態監測和生理訊號分析，例如設計穿戴式動作辨識器以支持健康監控。同時，利用 LLM 和 MLLM 進行多模態數據處理，顯著提升影像輔助分析與自動化診斷報告生成的效率與準確性，創造更多醫學應用可能性。

此外，我們積極探索 MRI 中的技術挑戰，如動態造影的運動偽影和相位失真等問題。透過基於 GPU 的平行運算和自動化校正技術，有效減少影像錯位問題，提升影像質量。我們也發展多模態影像融合技術，用於改善多模態影像診斷的精確度，例如結合擴散影像（DWI）和 ADC 閥值進行中風病灶的分割，以精確區分細微病灶。總結來說，實驗室的研究將最先進的深度學習與多模態 AI 技術應用於醫學影像處理中，為臨床診斷提供高效、穩定的技術支援，並為未來醫學應用創造更多創新機會。

本實驗室研究關鍵字包含：

深度學習、U-Net、機器學習、人工智慧、生醫影像、MRI影像處理、影像分割、醫學影像分析、心肌影像、腦部影像、資料增強、卷積神經網路（CNN）、主成分分析（PCA）、影像分類、影像生成、決策樹、隨機森林、支援向量機（SVM）、XGBoost、放射組學（Radiomics）、T1 Mapping、深度生成模型（GAN、VAE）、特徵選擇、超參數調整、影像對比增強、資料降維、神經網路微調、GPU加速運算、CUDA、雲端運算、LSTM、Transformer、BERT、放射線治療影像分析、多模態數據融合、影像對位（Registration）、醫學資料庫管理、資料不平衡處理（SMOTE）、交叉驗證、多模態影像處理（如 MRI、CT）。EEG（腦電波）、ECG（心電圖）、EMG（肌電圖）、PPG（光體積變化描記法）、呼吸訊號分析、非侵入式生理訊號量測、時頻分析、小波轉換、信號去噪資料特徵擷取、異常偵測、情緒辨識生理數據融合、穿戴式感測器技術。大型語言模型（LLM）、多模態大型語言模型（MLLM）、GPT模型、BERT、LoRA、模型輕量化微調、GPU加速計算、CUDA、雲端運算平台、大規模資料處理與分散式訓練、API部署（如FastAPI、Flask）、資料合成與生成、醫學影像特徵學習與預測。