資料收集 Data 1 9668筆 Model Normal Cataract Column 2 Column 3

:::danger 放在step2跟step3中間的"！注意！" 新增對反光和crop..等條件的敘述 白內障徵兆為眼球外觀的瞳孔部分會有白色區塊。受測者在拍攝照片時需注意環境因子，例如：反光等。請避免反光的白色點落在瞳孔位置，易造成系統辨識錯誤，誤認為受測者罹患白內障。 因本系統針對上傳照片有所限制，須為眼睛照片，以便模型正確辨識。若跳出警告"需輸入眼睛圖像!"，毋須緊張。請再次調整您裁切的照片大小範圍，確認是否有將眼球位置正確放在九宮格正中央，以利提升模型辨識率。 ::: :::warning

IEEE .autorpa.lib.ncnu.edu.tw 表格 Author Year abstract Accuracy

簡介白內障 根據世界衛生組織2021年更新的《失明和視力障礙》報導指出，全世界至少有22億人為視力障礙者，其中超過10億人的視力問題是可以被預防或尚未得到解決。在視力問題中，全球罹患白內障人數，更是高達七千萬人，隨著人口高齡化，加上中低發展國家所需的醫療設備短缺，白內障仍然會是一大問題，也是我們所面臨的挑戰。 白內障的成因為水晶體囊膜受到損傷或蛋白質發生變性，造成透明清澈的水晶體變得混濁。而造成白內障的原因有許多種，年齡、遺傳或者是外力撞擊都有可能會造成白內障。所以我們可以將白內障歸為下列幾類，老年性、外傷性、併發性、代謝性、藥物性及先天性。其中又以老年性的比例為最高，約佔了50%以上，也是導致失明的常見原因之一。 截至今日，沒有藥物能夠治療白內障，目前唯一的手段是透過手術將混濁晶體摘除。此外，目前也沒有藥物能預防白內障的發生，我們僅能透過定期檢查，並配合醫師指示來減緩病情或者接受治療。 如何預防

簡介白內障 根據世界衛生組織2021年的統計指出 全世界至少有22億人為視力障礙者 其中超過10億人的視力問題 是可以被預防或尚未得到解決的 全球罹患白內障人數 更是高達七千萬人 造成白內障的原因有許多種 年齡、遺傳或者是外力撞擊等 都有可能會造成白內障

總審-網頁說明 為什麼選reactjs reactjs將每一個頁面的原件都模組化，使得前端專案開發能更有效的管理頁面，reactjs也是在前端框架使用率最高的，在stackoverflow上reactjs的發問率更是逐年升高(如附圖)。然而reactjs除了能寫網頁，也能寫手機APP。 說明網頁的功能以及使用什麼套件 本網站透過reactjs框架建置，網頁的主要內容分成四部分： 上傳檔案，剪取照片 白內障檢測結果顯示

格式 標題 網址 年份、期刊 作者 可用文句 ==上傳人簡寫== ==陳==

陳 (4) Exploiting ensemble learning for automatic cataract detection and grading February 2016 Ji-Jiang Yang... ALL 眼底相機、1239圖像(767非) 灰階、直方圖均衡化 支援向量機、反向傳播神經網路

Localization and diagnosis framework for pediatric cataracts based on slit-lamp images using deep features of a convolutional neural network Recently, deep learning convolutional neural network (CNN) methods have gained consid- erable popularity since they offer superior performance in the field of image recognition tasks[18–22]. The CNN is an end-to-end learning model that avoids image pre-processing, requires no expert knowledge and extracts relevant high-level features directly from the raw image. The CNN architecture is inspired by the visual cortex of cats in Hubel’s and Wiesel’s early work[23]. V Diagnosis of Ophthalmic Diseases in Fundus Image Using various Machine Learning Techniques table 1 - looks like CNN accuracy better than the others Cataract Detection Using Convolutional Neural Network with VGG-19 Model Deep learning (DL) is a subfield of machine learning. DL uses multiple layers to extract higher levels of features from raw input. Because of its feature extraction ability, deep learning is highly used in medical image analysis. To be more specific Convolutional Neural Networks (CNN) are used for medical image analysis. Without the need for human interference, the CNN model extracts local features directly from the fundus images.

英文 中文 白內障根據「蛋白質沉積面積」分為白內障、皮層白內障，後囊後白內障三類，核白內障在晶狀體核上發展，通常在老年人身上出現，皮質性白內障圍繞在水晶體的皮質中發展，<後囊內...>[1-2]。2014年更新的《關於白內障的世界衛生報告》聲稱:全世界估計有2.8億視力障礙者，其中3900萬人是盲人，246人視力低下[3]。依照目前的情況，由於人口老齡化和中低收入國家所需醫療基礎設施的短缺，導致失明的白內障病例很可能會增加[3]。因此對全世界而言，白內障問題並未完全被克服，需要借助更有效的方法，以協助病患及醫療人員做出更快速更準確的判斷。 1989年核磁共振顯微鏡成像法曾被用於檢測初期階段的白內障，但該方法受到分辨率問題的限制[3-10]。現今檢測白內障的設備是基於眼底照相機或數位單鏡反射照相機，但兩者都很昂貴[3]。Yang等人指出:常見的白內障診斷方法需要裂隙燈或其他白內障分級系統，對許多患者來說複雜且昂貴[4]。Patil等人更指出:裂隙燈成像法是最為常用的，昂貴且準確性較低，只能檢測和分級特定的白內障[1-2]。 Sigit等人使用Canny邊緣檢測、霍夫轉換和瞳孔區域裁剪，以平均強度和均勻性獲得特徵，再提取結果訓練數據使用單層感知機方法，用於確定不同類型的分類結果[6]。眼科醫師可以透過檢查眼底相片的清晰程度來診斷白內障[4]。因此過去部分研究透過眼底圖像進行，眼底圖像分類的目標是建立一個分類器來模擬眼底圖像，自動檢查白內障檢測和分級的過程[4]。Patil等人將眼底鏡用於產生紅色反射效果，光線從眼球的後方反射並穿過瞳孔，形成一條光通路，根據阻礙通路的因素檢測白內障[1-2]。Nayak則表示:罹患白內障的圖像對比正常圖像，白內障患者的角膜圖像表面顏色較亮[3-10]。然而，環境條件(如光反射)會影響圖像的品質，影響分類的效率[3-10]。由於局部的不均勻照明和眼睛反射，會影響眼底圖像的品質，可能會影響白內障的檢測和分級的準確性[8]。因此在實驗的過程中，環境條件需要特別留意，避免造成錯誤判斷。 降低成本並簡化早期診斷過程，對低度發展地區的患者來說非常關鍵，並且為他們帶來光明[4]。Sigit等人開發的系統可以用於對所有人的白內障檢查。如果檢測到白內障，可以在變嚴重前，立即向眼科醫生尋求進一步檢查並治療[6]。與先前研究之間的區別在於:使用了更多的訓練數據，且數據直接來自擁有智慧型手機的患者[6]。Qian等人進行的實驗使白內障分類更加輕鬆、眼科醫生可以在更短的時間內對不同類別的白內障進行手術，以治愈白內障患者。對於在偏遠地區的人來說，即使是經驗較少的醫生，也可以使用照相機，並利用程式正確地對白內障進行分類[7]。因此具有高效的算法的系統及便攜性，可讓偏遠地區人員用最少的時間在智慧型手機中進行檢測[1-2]。

使用說明 點擊==開始檢測==進入檢測頁面後，點擊==拍攝照片==，拍攝眼睛照片或從相簿中選擇眼睛照片。 照片成功載入後，透過切割框，框出欲檢測眼睛之特定範圍（正確框出範圍能加強辨識能力，範例可見示意圖）。點選==切割==後跳出選取範圍 若範圍正確，點擊==開始辨識==；若範圍有誤，點擊==重新切割==。 辨識完成後，結果即呈現。

Dataset DatasetNT Train Cataract: 3562 Normal: 4074 Test Cataract: 902 Normal: 1030

(3) A Robust Automated Cataract Detection Algorithm Using Diagnostic Opinion Based Parameter Thresholding for Telemedicine Application Published: 15 September 2016 Currently, methods available for cataract detection are based on the use of either fundus camera or Digital Single-Lens Reflex (DSLR) camera; both are very expensive. 現在可以檢測白內障的設備都很昂貴 A common health monitoring web platform interfaced with suitable imaging modules will help doctors from remote locations to examine the patient and give a final decision.This way, a more reliable diagnosis can be made. health monitoring web platform(平台)可協助偏鄉醫師做出判斷

{'0': 0, '1': 1, '10': 2, '100': 3, '101': 4, '102': 5, '103': 6, '104': 7, '105': 8, '106': 9, '107': 10, '108': 11, '109': 12, '11': 13, '110': 14, '111': 15, '112': 16, '113': 17, '114': 18, '115': 19, '116': 20, '117': 21, '118': 22, '119': 23, '12': 24, '120': 25, '121': 26, '122': 27, '123': 28, '124': 29, '125': 30, '126': 31, '127': 32, '128': 33, '129': 34, '13': 35, '130': 36, '131': 37, '132': 38, '133': 39, '134': 40, '135': 41, '136': 42, '137': 43, '138': 44, '139': 45, '14': 46, '140': 47, '141': 48, '142': 49, '143': 50, '144': 51, '145': 52, '146': 53, '147': 54, '148': 55, '149': 56, '15': 57, '150': 58, '151': 59, '152': 60, '153': 61, '154': 62, '155': 63, '156': 64, '157': 65, '158': 66, '159': 67, '16': 68, '160': 69, '161': 70, '162': 71, '163': 72, '164': 73, '165': 74, '166': 75, '167': 76, '168': 77, '169': 78, '17': 79, '170': 80, '171': 81, '172': 82, '173': 83, '174': 84, '175': 85, '176': 86, '177': 87, '178': 88, '179': 89, '18': 90, '180': 91, '181': 92, '182': 93, '183': 94, '184': 95, '185': 96, '186': 97, '187': 98, '188': 99, '189': 100, '19': 101, '190': 102, '191': 103, '192': 104, '193': 105, '194': 106, '195': 107, '196': 108, '197': 109, '198': 110, '199': 111, '2': 112, '20': 113, '200': 114, '201': 115, '202': 116, '203': 117, '204': 118, '205': 119, '206': 120, '207': 121, '208': 122, '209': 123, '21': 124, '210': 125, '211': 126, '212': 127, '213': 128, '214': 129, '215': 130, '216': 131, '217': 132, '218': 133, '219': 134, '22': 135, '220': 136, '221': 137, '222': 138, '223': 139, '224': 140, '225': 141, '226': 142, '227': 143, '228': 144, '229': 145, '23': 146, '230': 147, '231': 148, '232': 149, '233': 150, '234': 151, '235': 152, '236': 153, '237': 154, '238': 155, '239': 156, '24': 157, '240': 158, '241': 159, '242': 160, '243': 161, '244': 162, '245': 163, '246': 164, '247': 165, '248': 166, '249': 167, '25': 168, '250': 169, '251': 170, '252': 171, '253': 172, '254': 173, '255': 174, '256': 175, '257': 176, '258': 177, '259': 178, '26': 179, '260': 180, '261': 181, '262': 182, '263': 183, '264': 184, '265': 185, '266': 186, '267': 187, '268': 188, '269': 189, '27': 190, '270': 191, '271': 192, '272': 193, '273': 194, '274': 195, '275': 196, '276': 197, '277': 198, '278': 199, '279': 200, '28': 201, '280': 202, '281': 203, '282': 204, '283': 205, '284': 206, '285': 207, '286': 208, '287': 209, '288': 210, '289': 211, '29': 212, '290': 213, '291': 214, '292': 215, '293': 216, '294': 217, '295': 218, '296': 219, '297': 220, '298': 221, '299': 222, '3': 223, '30': 224, '300': 225, '301': 226, '302': 227, '303': 228, '304': 229, '305': 230, '306': 231, '307': 232, '308': 233, '309': 234, '31': 235, '310': 236, '311': 237, '312': 238, '313': 239, '314': 240, '315': 241, '316': 242, '317': 243, '318': 244, '319': 245, '32': 246, '320': 247, '321': 248, '322': 249, '323': 250, '324': 251, '325': 252, '326': 253, '327': 254, '328': 255, '329': 256, '33': 257, '330': 258, '331': 259, '332': 260, '333': 261, '334': 262, '335': 263, '336': 264, '337': 265, '338': 266, '339': 267, '34': 268, '340': 269, '341':

(一)摘要 卷積神經網路的研究常會專注在分類識別，並運用所產生出的模型進行預測，這些模型多用於投入提供農業及工商業應用，只聚焦在如何快速建立適用的改善方案及商業模式，少有研究針對醫療進行進一步的應用，但醫療需求在今日仍然具有其必要性。目前有關白內障之研究，多以眼底照片作為機器學習之素材，常有取得不易、需要精密儀器等困擾，無法提供即時之決策輔助。本研究將針對白內障預測，利用卷積神經網路產生模型，並探討參數調整與結果之相關性，提供更有效的參數優化參考。本研究成果並將以網站型式呈現，提供使用者上傳眼球外觀照片，透過輸出結果，將可作為平時及遠距醫療之決策輔助，並達成早期治療之目標。 關鍵字: 卷積神經網路、模型預測、機器學習、白內障、參數優化、決策輔助 (二)研究動機 白內障的常見原因包含老化、疾病、先天等因素，沉積於水晶體的蛋白質團塊及色素導致眼球呈現霧化狀態，阻止光線通透而干擾視力，導致無法清晰識別。罹患白內障可能導致閱讀障礙、識別能力降低等生活上的不便，更提升了發生危險及憂鬱的機率及失明的可能。全球罹患白內障之人數，因科技發展、螢幕使用的提升而隨之升高，至今已達近七千萬人。然而，目前白內障之處理方式仍然只有手術治療，且有復發可能，並無其他痊癒方式，白內障共有三個階段，初期難以被發現，因此早期預防成為人們重要的議題。

影像處理 - 反光 原因 原先認為鏡頭拍攝時的反光多半接近白色，可能會影響模型判斷，在測試時出現誤差，期望於使用者將照片傳入網頁時自動進行影像現行處理方式分為下列四種： (一) 多角度拍照，將重疊照片互補(可行) (二) 根據反射量，霧化反光區域(有部分困難) (三) 物質表面特徵(不使用) (四) 調整曝光時間，使反光處不飽和(待了解) 測試過程