研究步驟

本研究旨在使用卷積神經網絡CNN

（Convolutional Neural Network），透過資料增強與自動化調整參數的技術提升乳房腫瘤辨識的準確性和效率。

研究流程圖

順序由左而右，輸入圖片→調整大小、加上標籤、資料增強→分割訓練及、測試集→

CNN模型訓練(設定超參數、超參數搜尋、得到最適超參數)→結果分析(正常、良性、惡性)

MIAS(Mammographic Image Analysis Society)。

包含了322張乳房X光圖及其相應的診斷標籤。

標籤編列、分割：

將影像數據中的診斷結果（良性、惡性、正常）轉換為數值標籤。

大小調整：將所有圖像縮放至固定大小，以便輸入模型。

為了提高模型的泛化能力，本研究應用了資料增強技術。

旋轉每個原始影像，每4度旋轉一次，每張影像被增強為90個影像，模擬現實中不同拍攝角度下的乳房影像。

將資料切分成訓練集(80%)、測試集(20%)，

訓練集訓練模型，測試集驗證模型效能。

透過自動化方法選擇機器學習模型的超參數，

先定義需要自動化調整的超參數後，用Random Search演算法，得到最適配超參數，

將處理過後的資料、學習完後的超參數，一併放入模型內訓練。