自我評估和心得
1111617 鄭又瑄
猶記最初剛訂定專題主題時，我們曾因對醫療知識陌生擔憂後續研究。但隨著深入研究和報告 TAMI 資料集，逐步吸收了腦部基本構造和精神疾病相關區域的知識。過程中我特別有感，應用醫療知識於訓練模型，即使並非專業，只要善用網路資源和科技工具，也能逐步克服知識門檻，慢慢理解學習進而消弭擔憂。
而進行專題研究，最初是使用 Google Colab 試圖透過程式碼讀取與分析 .mgz 檔案，程式碼跟用到 python 以前從未接觸過的函式庫，後來還發現開源套件 3D Slicer 可直接顯示三軸切面及 3D 立體成像，操作時感到新奇和實用。雖與程式無關，但勾畫腦部 MRI 的過程中，視覺化功能讓我清楚辨識腦區細節。
暑假過後，我們開始使用虛擬環境執行模型訓練，我認為團隊運作之所以順利，關鍵在於每週會議與組內討論確保分工明確。雖然研究的三種疾病之間並不容易區分特徵，但疾病與健康類別樣本的差異可以從熱力圖清楚的視覺化結果。在專題實作期間，我不僅學會建置 python 環境，也完整了解醫療影像的機器學習過程，更熟悉熱力圖的實作方式。
1111629 劉喬恩
本次專題研究，我學到很多關於 3D EfficientNet 模型的建置、訓練和測試， 以及將 K Fold 和 CBAM 加入模型的用法，還有分析資料集的方法。
從一開始完全不會任何模型，所以我會先去網路上找很多資料，了解模型的架 構和功能，也會觀看一些教學影片，學習模型的建構方式。在建構模型的過程會碰 到很多困難，像是 Colab 版本和 mgz 影像大小等許多問題，在解決這些問題的過 程又會學到不少模型建構需要注意的地方。另外我也學會可以撰寫程式儲存每個 epoch 訓練完後的模型和權重，才可以在執行中斷後不用重新訓練，否則可能需要 再重新花一、兩個小時去跑模型。還有了解K Fold 和 CBAM 的架構，並學會如 何使用在模型當中，提升模型的準確度。
其實分析資料集沒有想像中容易，因為裡面會有好幾百筆資料，每個資料內又 有很多不同的檔案，需要很仔細的去找出檔案間的關聯，而且因為我本身不是醫學 背景，不了解任何醫學專業知識，檔案裡面的東西，需要從頭開始學起，一丁一點 的自行學習關於精神疾病和 mgz 腦部影像等的醫學知識。最後在健康與精神疾病 CBAM 二元分類取得 Average Test Accuracy 74.25%，能夠為精神疾病領域做出 貢獻，期許未來這方面的研究能夠更進步，實際運用在醫學上幫助他人。
1111638 郭喬恩
這次的專題是我第一次嘗試將程式、醫學影像與機器學習結合在一起，對我來說是一個全新的挑戰。一開始接觸 TAMI 資料集時，面對眾多不熟悉的檔案格式（如 .mgz）、命名方式與資料架構，確實讓我感到有些混亂。但隨著逐步摸索，透過查看說明文件、嘗試寫簡單的讀檔程式、參考開源工具的操作方式，逐漸建立起對醫學影像資料的基本理解，也提升了我的資料處理能力。
在專題進行的過程中，也讓我認識到與組員之間協作的重要性。我們在分工上逐漸找到適合各自的角色，也會利用雲端同步進度。雖然有時候遇到卡關，也曾經出現方向不夠清晰的狀況，但透過討論與資料查找，問題總能找到出路。這種「一起解決困難」的經驗，讓我對團隊合作有更深的理解。
回顧目前的進展，我認為未來可以進一步加強跨領域知識的整合能力。醫學影像分析不僅需要程式技巧，還需要基本的神經科學背景、影像處理常識，以及對病理的初步理解。這些對我們非醫學背景的學生而言是很大的挑戰，但若能提早安排學習順序與重點，例如先理解腦部主要結構與常見異常類型，再進行建模，會更有效率。