臺灣博碩士論文加值系統

肩胛骨Y形攝影(Scapula Y-view)是很常被使用於診斷肩膀疾病的放射線X光攝影技術，但因肩胛骨位於體內，難以於身體外觀判斷肩胛骨的角度，故於臨床檢查上經常需要重照以達到符合標準之影像，造成此攝影技術之重照率較其他部位高出許多，基於重視影像品質及合理抑低的原則下，需降低高重照率的問題。
先利用電腦斷層(Computed Tomography, CT)儀器可將切面影像重組成3D影像並得知旋轉角度資訊特性，受試者於電腦斷層檢查台上平躺，並仿照X光肩胛骨Y形攝影檢查姿勢，掃描後發現大約旋轉35度即可呈現出完整的Y-view，後續製作35度輔具用於臨床檢查，重照率由原47.3%降低為12.8%，且影像品質經評分後亦得到提升。
使用35度輔具於X光攝影檢查時發現仍然有少部分患者影像呈現的不夠理想，後續延伸新議題，利用身體各特徵(性別、年齡、BMI、肩寬、體厚)預測身體需旋轉角度可呈現完整的Y-view，預測方法使用多元線性迴歸、Random Forest與XGBoost，預測結果XGBoost準確度較高，可提供給未來收集更多樣本與特徵做預測之研究參考方向。

Scapula Y-view is a commonly used radiographic X-ray technique for diagnosing shoulder conditions. But Scapula is located deep within the body, it is difficult to judge its angle from external appearance alone. Clinical examinations often require repeated imaging to achieve images that meet the standard., leading to a higher repeat rate compared to other body parts. Based on principles of prioritizing image quality and “As Low As Reasonably Achievable”, There is a need to reduce the problem of high repeat rates in imaging.
Utilizing Computed Tomography (CT) imaging, cross-sectional images can be reconstructed into 3D images, providing information about the rotational angle. The participants lay supine on the CT table, mimicking the X-ray Scapula Y-view position. It was found after scanning that rotating approximately 35 degrees was sufficient to display a complete Y-view. A 35-degree aid was subsequently developed for clinical use. This resulted in a decrease in the repeat rate from the original 47.3% to 12.8%, with an improvement in image quality as assessed by scoring.
Using a 35-degree aid for X-ray examinations, it was observed that a small proportion of patients still did not achieve ideal image presentation. This prompted further exploration into a new topic: predicting the necessary rotational angle for a complete Y-view based on various body characteristics (gender, age, BMI, shoulder width, body thickness). Predictive methods included multiple linear regression, Random Forest, and XGBoost, with XGBoost showing higher accuracy in predictions. These findings can serve as a reference for future research aiming to collect more diverse samples and features for predictive modeling.

第一章 緒論 1
第一節 研究背景與動機 1
第二節 研究目的 2
第三節 研究限制 3
第二章 文獻探討 4
第一節 品管圈活動 4
第二節 旋轉肌袖症候群 5
第三節 肩胛骨Y形攝影(Scapula Y-view)攝影技術 10
第四節 文獻回顧啟發 15
第三章 研究方法 16
第一節 改善前數據收集 16
第二節 設計輔具 18
第三節 影像品質 24
第四章 研究結果與分析 26
第一節 重照率改善 26
第二節 影像品質改善 32
第三節 體型與肩胛骨角度關係 33
第四節 Random Forest分類 41
第五節 XGBoost分類 44
第六節 討論 49
第五章 結論與建議 50
第一節 結論 50
第二節 建議 51
參考文獻 52
附錄 56
附錄1 放射師組影像評分 56
附錄2 醫師組影像評分 59

丁詩偉、朱惠珍、蔡宜芳、李尉琦、李豐利、吳佩珊、李宗憶、石明誠(2013)。以PDCA方法來有效降低一般影像之重照率。臺灣醫事放射期刊，1(2)，27-33。https://doi.org/10.6717/JTMRT.201306_1(2).0005
力邁物理治療所(2022)。旋轉肌群損傷。 https://painless.idv.tw/sportinjury/61.html
毛慧芬、張嘉純、林佳琪、王素琴、李宗伊、蔡麗婷、張綺芬、陳莞音(2017)。高齡生活輔具應用。華杏出版。
中國醫藥大學附設醫院(2011)。醫療品管的深耕活動：醫療界的QCC實務。財團法人中衛發展中心。
吳宛霖(2020)。自製輔具提升膝關節退化病患之X光攝影品質〔未出版之碩士論文〕。南開科技大學福祉科技與服務管理學系。
吳志洋(2020, April 7)。黃耆健康學院。Facebook。 https://www.facebook.com/100064141561087/posts/2830465963738996/
余海峯(2017, January 17)。1901 年諾貝爾物理獎：為什麼 X 射線不叫倫琴射線？。物理雙月刊。https://pansci.asia/archives/112025
邱國祥(2020)。以多元線性迴歸與機器學習模型預估不動產價格-以台中市實價登錄為例〔未出版之碩士論文〕。國立中興大學應用數學研究所。
林佳瑾(2021)。分析品管圈改善病理組織切片不良率與診斷時效之成效〔未出版之碩士論文〕。國立中山大學企業管理學系醫務管理碩士班。
核能安全委員會(2023, October 23)。提昇民眾輻射醫療品質與安全。 https://www.nusc.gov.tw/
財團法人中衛發展中心。 https://qcc.csd.org.tw/competition-introduction/
徐仕旻(2019)。極限梯度提升在不動產價格之預測效果研究〔未出版之碩士論文〕。國立清華大學財務金融碩士在職專班。
張基生(2014, July 7)。奇美醫院-品管中心醫療品質［專題演講］ https://www.chimei.org.tw/asp/79070/addfile/453.pdf
莊佳樺(2024)。機器學習模型在預測房價上的表現：以臺中市為例〔未出版之碩士論文〕。國立中正大學數學系研究所。
陳緯遠(2017)。放射攝影技術學:張嘴投射重照率之分析與改善〔未出版之碩士論文〕。長庚大學醫學影像暨放射科學系。
陳伯杰(2022)。比較隨機森林和XGBoost的預測強韌性〔未出版之碩士論文〕。淡江大學統計學系應用統計學碩士班。
陳姝樺(2022)。道路交通事故肇事原因應用品管手法分析及運用之研究〔未出版之碩士論文〕。國立中興大學應用數學研究所。
陳姿妤(2023)。運用XGBoost 演算法進行黃金價格的預測〔未出版之碩士論文〕。國立宜蘭大學應用經濟與管理學系。
許鈺欣(2022)。研發嬰幼兒X光攝影輔助架〔未出版之碩士論文〕。中臺科技大學醫學影像暨放射科學系。
勞動部職業安全衛生署(2017, January)。職業性旋轉肌袖症候群認定參考指引。https://www.osha.gov.tw/media/rvibagr0/%E8%81%B7%E6%A5%AD%E6%80%A7%E6%97%8B%E8%BD%89%E8%82%8C%E8%A2%96%E7%97%87%E5%80%99%E7%BE%A4%E8%AA%8D%E5%AE%9A%E5%8F%83%E8%80%83%E6%8C%87%E5%BC%95.pdf?mediaDL=true
黃皓偉(2023)。機器學習用於預測壓力性損傷–以中部醫學中心為例〔未出版之碩士論文〕。國立中興大學資料科學與資訊計算研究所。
黃建中、林宛瑩、王雅虹、曾文盛（2011）。運用輔助設備提升X光檢查定位正確性。中華放射線技術學雜誌，35(4)，204-208。https://doi.org/10.30045/CJRT.201112.0001
葉有財(2019, November 4)。輻射對身體有何傷害。核能安全委員會。https://www.nusc.gov.tw/%E4%BE%BF%E6%B0%91%E5%B0%88%E5%8D%80/%E5%8E%9F%E5%AD%90%E8%83%BD%E7%9F%A5%E8%AD%98/%E8%AA%8D%E8%AD%98%E8%BC%BB%E5%B0%84/%E6%94%BE%E5%B0%84%E7%B7%9A%E8%88%87%E4%BA%BA%E9%AB%94/%E8%BC%BB%E5%B0%84%E5%B0%8D%E8%BA%AB%E9%AB%94%E6%9C%89%E4%BD%95%E5%82%B7%E5%AE%B3--220_271_1085_1087_1188.html
歐宗殷、蔡文隆(2022)。圖解生產與作業管理。五南圖書出版股份有限公司。
鄭偉宏、史天宇、韓若平、華亦熙(2020)。身體組成與骨質密度之關聯性研究。中華放射線技術學雜誌。44(1), 29-35.
蔡易霖(2021, September 27)。[Day 15] 機器學習常勝軍 - XGBoost. IT邦幫忙。https://ithelp.ithome.com.tw/articles/10273094
壢新醫院影像醫學中心(2016)。提升X-Ray影像品質。聯新電子報一百一十三期。https://www.landseed.com.tw/news-list/view/1A40C188Aa8C
Atkinson, S., Neep, M., & Starkey, D.(2019, Jul 18). Reject rate analysis in digital radiography:an Australian emergency imaging department case study. Journal of medical radiation sciences. doi:10.1002/jmrs.343.
Amazon web services. (2024)。XGBoost 運作方式。AWS。 https://docs.aws.amazon.com/zh_tw/sagemaker/latest/dg/xgboost-HowItWorks.html
Breiman, L. (2001). Statistical modeling: The two cultures (with comments and a rejoinder by the author).Statistical science,16(3), 199-231.
Chung-yi.(2019, September 28)。ML入門（十七）隨機森林(Random Forest)。Medium。 https://medium.com/chung-yi/ml%E5%85%A5%E9%96%80-%E5%8D%81%E4%B8%83-%E9%9A%A8%E6%A9%9F%E6%A3%AE%E6%9E%97-random-forest-6afc24871857
Chen, T., and Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16). Association for Computing Machinery, New York, NY, USA, 785–794. https://doi.org/10.1145/2939672.2939785
Jones, A.K., Heintz, P., Geiser, W., Goldman, L., Jerjian, K., Martin, M., Peck, D., Pfeiffer, D., Ranger, N., Yorkston, J.(2015) Ongoing quality control in digital radiography: Report of AAPM Imaging Physics Committee Task Group 151. Med Phys 2015; 42(11):6658. https://scholarlycommons.henryford.com/cgi/viewcontent.cgi?article=1158&context=radiology_articles
Murphy, K.P. (2012).Machine learning: a probabilistic perspective. MIT press.
Tung, E. (2018, September 9)。R語言自學日記(21)-機器學習(二)：極限梯度提升(XGBoost)。Medium。https://medium.com/r-%E8%AA%9E%E8%A8%80%E8
%87%AA%E5%AD%B8%E7%B3%BB%E5%88%97/r%E8%AA%9E%E8%A8%80%E8%87%AA%E5%AD%B8%E6%97%A5%E8%A8%98-21-%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-%E4%BA%8C-%E6%A5%B5%E9%99%90%E6%A2%AF%E5%BA%A6%E6%8F%90%E5%8D%87-xgboost-d36ee51cc593