放射醫學會的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

New Views地圖大數據：自然、政治、人文景觀，50張地圖看懂瞬息萬變的世界

為了解決放射醫學會的問題，作者阿拉史泰爾．邦尼特AlastairBonnett 這樣論述：

║打開一本地圖集就擁有全世界║★★★暢銷書《地圖之外》作者最新作品★★★全球九種語言版本，上市兩個月銷售55,000本！我們居住的地球，到底是什麼樣子？ 透過現代衛星資訊與地質地理科技，加上快速發展的大數據技術，各領域專家得以全新視角呈現龐雜資料，描繪出前所未見的嶄新世界。如果只是環顧四周，拼湊有限的資訊，就會像瞎子摸象一般，看不清事實的真相。現在我們可以從這些整合多元研究、令人目眩神迷的圖像中，一眼看出地球因自然災害而最顯脆弱之處，觀察到水資源短缺、空氣汙染、海洋垃圾的分布，更了解到未知的海洋範圍竟仍如此遼闊、海面下的地形起伏超乎想像。鳥類、螞蟻與兩棲類的多樣性地圖，除了

顯示地理環境的特性，還透露出人類活動造成的影響；在全世界夜景複合圖中閃耀的光點，不只越夜越美麗的繁華城市，還有自然界的火山及海中生物。另外，人類和平地區、各國的宗教多元性，以及各國快樂指數，只需瞄上一眼就能立刻掌握大致情況。最後，美國速食文化龍頭的世界版圖、各地移民的遷徙狀態，甚至各地愛吃糖的排行榜，深入淺出的介紹，以最全面性的觀點重新思考我們生活的世界。50張探討不同議題的世界地圖，提醒我們看似無關的事情背後存在著不尋常的連結，不僅展現今日世界的演變脈動、預示即將面對的危機，更能掌握未來的新趨勢。【本書特色】1.涵蓋議題廣闊，關注自然景觀、能源、生態、全球政治經濟種種面向的世界趨勢，以視覺化

圖像呈現清楚事實與真實數據。2.在全球連結日趨緊密的現代生活中，呈現出廣泛而全面性的世界趨勢，一眼就可看出重點，深入探究則可看到各國與各區域間的關聯，開拓國際觀。3.綜合數兆位元資料與專家長期研究的精華，讓人在最短時間內掌握複雜脈絡，並深入解釋許多「自然」現象如鳥類多樣性或溫度異常如何受到人類活動的影響。【全方位推薦】「若你和我一樣，也曾是個趴在地圖上幻想的孩子，那麼這本書，就是現在的你一定要擁有的收藏。」──周偉航／人渣文本專欄作家「透過《New Views 地圖大數據》的多元視野，提供讀者從全球尺度來理解，自然環境與人類活動相互交織出的空間結構，培養跨學科的地理洞察力。」──溫在弘／國立台

灣大學地理環境資源學系教授、中華民國地圖學會秘書長「一目了然之後，每一張特製地圖都值得細看一晚上：台灣海峽的航運重要性？海底電纜怎麼連？全球移民怎麼走？」──蔡依橙／世界兒童放射醫學會最佳臨床研究獎得主、新思惟國際創辦人「學習統計地圖時，中文資源相對的少，但《New Views地圖大數據》從真實數據出發，展示 50 組不同的統計地圖搭配多種圖表的活用方式，不僅幫助我們學習統計地圖的用法，也是本值得收藏的視覺化參考手冊。」──Kirby／資料視覺化粉絲專頁小編「地圖本身是一個無聲卻強而有力的語言，透過不同主題的呈現，我們就能從地圖中獲得多樣的資訊。」──地圖客／部落客「收錄了當代最重要的地理學小

知識，搭配一目瞭然的視覺化呈現，非常有趣的一本書！」──超級歪／Youtuber「這本書讓我們迅速看到世界間的差異，以五十幅地圖介紹自然、人文，也包含全球化各項重大議題，難得一見的好書。」──閱部客—水丰刀／說書Youtuber

放射醫學會進入發燒排行的影片

利用DenseNet進行乳房影像分類之研究

為了解決放射醫學會的問題，作者蔡欣庭 這樣論述：

乳癌為我國女性罹患率最高的癌症，依據衛生福利部死因統計及國民健康署癌症登記資料顯示，每年有數萬女性罹患乳癌，而死於乳癌的女性超過數千名。乳癌分期是依腫瘤大小，腋下淋巴有無轉移及遠處轉移區分，越早發現，存活率也會相對提高。臨床上乳房攝影因受限於操作者技術、受試者配合度及醫師主觀判讀影像特徵，造成鑑別度不一致。提升乳房影像品質及影像診斷率，為醫學影像處理重要工作之一。本研究探討利用DenseNet演算法針對乳房影像進行輔助分類。本研究影像採用回顧性分組實驗設計，收集2016年2月-2017年9月期間數位乳房X光攝影影像之頭尾投影像(Cranial-Caudal View, CC View)共88

張影像，依美國放射醫學會(American College of Radiology, ACR)發展的乳房影像報告暨分析系統(Breast Image Reporting and Data-analyzing System, BI-RADS)分級，實驗組為BIRADS為4級(陽性)者共計38張、對照組BIRADS為1級(陰性)者共計50張。採用最小交集樣本數38例為各組分析影像；各組以70%與50%分為訓練集其餘為測試集；因此訓練集分別為共計27與19張，測試集分別為11與19張。採用預先訓練模型(Pre-Train Model)的密集卷積網路(Densely Connected Convol

utional Networks, DenseNet)，建立乳房影像陰性和陽性分類模型。評估方法為測試集靈敏度、特異性及準確度。由於DenseNet具有緩解消失梯度問題、加強特徵傳播、促進特徵可重複使用、並大幅減少參數數量，可以用較少的計算成本。本研究針對測試集其靈敏度為100%、特異性為72.73%及準確度為86.37%。本研究依據DenseNet模型可針對少量樣本影像進行影像分類之特性，其分類結果具有合理性；未來需增加有效案例數、增加BIRADS類別、進行不同預先訓練模型之測試與驗證。