民政局資料匯入與校正工具 痛點與資安挑戰： 民政局戶役政作業環境採實體隔離，新梯次役男資料無法透過 API 介接，僅能列印後人工輸入至舊有系統（Microsoft Access 架構）。此斷鏈不僅耗時，且受限於資安規範，無法對戶役政電腦使用隨身碟或安裝其他程式。 解決方案-主動開發一站式自動化工具： 離線 AI 辨識技術： 捨棄需聯網的雲端 API，採用 Windows Native OCR (Win10/11 內建) 技術。不僅無需 API Key、無需聯網，更確保機敏個資全程在本地端處理，完全符合公部門高規格資安要求。 自動化 ETL 流程： 系統自動對掃描後的 PDF 進行影像前處理，經 OCR 辨識、資料清洗與結構化後，直接匯出為可匯入 MS Access 的 Excel 格式，完美對接舊有系統。 封裝與輕量部署： 考量行政人員對電腦熟悉度不一，故將程式封裝為 單一 .exe 執行檔，避免遇上系統重灌或更換電腦等改變環境導致程式無法使用的情況，讓使用者無需安裝任何依賴套件，隨點即用，大幅降低導入門檻。 友善校正工具： 開發「視覺化校正工具」，若 OCR 有誤判情況，也能將複雜的除錯流程簡化為直覺的操作，讓非技術背景的行政同仁也能輕鬆上手，快速定位如身分證誤植、日期邏輯衝突等異常。 量化成效： 效率躍升： 單筆資料處理時間由 1 分鐘驟降至 4 秒（效率提升 15 倍）。 資料品質： 透過內建邏輯檢核與視覺化校正介面，將人為錯誤機率降低。 零成本導入： 善用作業系統內建功能，無額外軟體授權費用。

1. 使用深度學習與電腦視覺技術識別睡眠內視鏡中顎咽的通暢性 (Image Segmentation) 實際成果： Segmentation模型表現從最初DSC（Dice Similarity Coefficient）的 65.3% 提升至 91.2% 模型對影像阻塞比例的分級預測與標準（基準真相）的一致性也達到九成以上。 主要貢獻： 模型實作：負責實現深度學習模型，包括U-Net、U-Net++、DeepLab v3+...等模型，並進行模型的調參和優化。 資料前處理：負責影片的前處理，以及資料擴增的實施。 標註工作：使用Labelme工具進行睡眠內視鏡影像的標註，建立基準真相。 技術引入：引入半監督學習 (Semi-Supervised Learning)、Image Quality Assessment (IQA)、注意力機制、焦點損失(Focal loss)函數等技術以提高模型的分割能力，處理具有挑戰性的案例。 模型訓練：在模型訓練中記錄並儲存訓練情況，以便後續繼續訓練。同時，繪製學習曲線以清晰呈現模型訓練的進展，提供有價值的參考。 模型性能評估：採用DSC（Dice Similarity Coefficient）、IoU（Intersection over Union）、Hausdorff Distance等指標，以量化數值綜合評估模型的表現。同時呈現模型的預測情況圖片，有助於直觀理解模型對於影像的預測效果。 阻塞比例之推估：得到顎咽氣道之分割部分後，進一步將其通暢面積轉化為阻塞比例。 使用到的工具： 深度學習框架：PyTorch及TensorFlow，實現Segmentation模型。 影像標註：使用Open source工具Labelme進行睡眠內視鏡影像的標註，以建立基準真相。 資料擴增：運用資料擴增套件Albumentations，引入異質性資料以提升模型穩定性。 損失函數：在處理不平衡資料方面引入Focal loss以提高分割任務的準確性。 模型評估：運用OpenCV和Matplotlib等套件，展示模型的預測情況。 ----------------------------------------------------------- 2. 雙圖卷積網路結合PET影像於提升阿茲海默症之診斷 (Classification of patients) 實際成果： 在區分阿茲海默症（AD）與正常控制組（NC）方面，模型的Accuracy達到98.28%。 在區分穩定型輕度認知障礙（sMCI）與進展型輕度認知障礙（pMCI）方面，模型的Accuracy達到87.18%。 主要貢獻： 模型實作：負責實現圖卷積神經網路（GCN）模型，以進行阿茲海默症早期診斷的預測。 資料前處理：負責處理從正子斷層造影（PET）影像中所得到的特徵，並將其與患者的表型資訊做整合。 建立Graph：使用PET影像特徵與患者表型資訊，構建出Graph，以供後續GCN模型使用。 模型整合與後期融合：整合多個GCN，建立多模態深度學習模型以及後期模型融合，提高預測準確性。 分類任務與模型性能評估：預測分類任務，區分AD vs NC（Normal Control）以及 pMCI (progressive mild cognitive impairment) vs sMCI (stable mild cognitive impairment)，並評估模型的性能。 使用到的工具： 深度學習框架：PyTorch及TensorFlow，實現GCN模型。 資料整合工具：使用NumPy、Pandas等套件進行資料整合，整合患者的表型資訊，如基因表現(APOE4)、性別、年齡及量表分數等。 構建資料集：使用Pytorch Geometric、NetworkX和CogDL等套件處理和構建Graph資料集。 模型評估：使用混淆矩陣（ConfusionMatrix）、Specificity、Sensitivity、F1 Score、AUC、AUROC等指標來評估模型的性能。

一套為液相層析質譜代謝體研究開發的自動代謝物鑑定及代謝路徑分析工具 - 路徑分析(Pathway Analysis)查詢程式 主要貢獻： UI 開發：設計並實現使用者介面，包括介面框架、版面位置調整，並加入按鈕功能，提供使用者更直覺的使用體驗。 圖片處理與顯示：開發了圖片開啟套件，實現了圖片大小調整、捲動功能。處理了不同格式和大小的圖片，同時支援非圖片類型的資料，如網頁動畫。 後端爬蟲優化：優化了爬蟲程式碼，同時改造成從本地資料庫讀取資料，實現了有效的資料更新機制。 解決效能問題：處理了記憶體占用問題，進行了效能優化以提高程式執行效率。 進度條與推送功能：引入了進度條功能，提供使用者實時爬蟲進度。同時實現了推送功能，通知使用者重要訊息。 使用到的工具： 主要的程式語言：Python UI 開發：使用了Tkinter套件進行圖形使用者介面開發。 圖片處理與顯示：OpenCV、Python Imaging Library (PIL) ，用於圖片處理與顯示。 後端爬蟲優化：ElementTree、Pandas，用於數據處理、分析及讀取本地資料庫資料。webbrowser、urllib，用於打開和讀取網頁。 進度條與推送功能：使用requests、IFTTT Webhooks，用於發送通知至 Line 應用程式。 打包成EXE可執行檔：使用Auto PY to EXE套件。

全校教職員電腦作業系統安裝 全校教職員電腦軟體維修和維護、硬體故障檢測 管理資訊中心電腦教室設備、故障排除 網路診斷和故障排除