MANY 前叉 通用的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

第五代行動通訊新無線電多使用者多輸入單輸出波束成形系統即時內接收機之設計與實現

為了解決MANY 前叉 通用的問題，作者蘇伯恩 這樣論述：

時代一直在進步，無論是一般大眾或者是公司企業，對於無線連網的需求變得越來越高，應用範疇更是包羅萬象，舉凡居家、交通、娛樂、醫療、工廠生產，很多以前科幻電影的畫面，甚至是人們從沒想過的場景都被逐步地實現，而能夠實現的原因很大一部份要歸功於新世代通訊系統能夠提供更高的資料傳輸速率，還有容許更多裝置在同一時間內連網。當同時間連網的裝置變多的時候，傳統的無線通訊系統是透過時間或是頻率的分隔來達到多重接取的效果，如時間分工多重接取 (TDMA)、頻率分工多重接取 (FDMA)等等，但由於頻譜資源有限，若連網裝置的數量持續增加勢必會遇到資源不夠的情況，這時利用空間分工多重接取 (Spatial Divi

sion Multiple Access, SDMA)將不同使用者所傳送的資料分開來，就能再提升整體系統的效能。本論文基於現有的波束成形理論，選擇Xilinx Alveo U250 FPGA加速平台，並參考5G NR的規範來實作多使用者多輸入單輸出波束成形 (Multi-User MISO Beamforming)硬體內接收機 (Inner Receiver)。此內接收機負責將使用者的時域IQ資料經過載波頻率偏移補償以及傅立葉轉換轉成頻域後，進行通道估測，並且將訊號等化後輸出星座點給軟體進一步做外接收機 (Outer Receiver)解碼。本內接收機系統包含了軟體端和硬體端，分別負責輸入輸出

資料的控制和資料的運算，而這樣的分配正是基於軟體的高度彈性和硬體的強大運算能力。要正確地解出資料就需要軟體和硬體之間的合作，而這兩者順利溝通的關鍵就是我們透過狀態暫存器 (Status Register)來讓雙方知道目前系統運作的狀況，實際上做法就是軟體端會去存取FPGA上特定記憶體位置的資料，而硬體內部的RTL程式也會存取同樣記憶體位置的資料，所以我們可以事先定義不同的數字代表什麼狀態，讓軟體端和硬體端根據當下的狀態去存取這個狀態暫存器來達到溝通效果。使用硬體來實現內接收機就是為了加快接收端解碼的速度，進一步實現即時(Real-time)解碼的效果。為了驗證本論文所設計的系統之正確性及可行性

，我們在空氣通道 (Over-The-Air)的環境裡傳送影片檔給本接收端系統，並將內接收機解碼完的星座點送給外接收機進行錯誤更正碼解碼。最後解碼後的結果可以達到Block Error Rate = 0，並順利在接收端將影片重新播放出來。而解碼時間大約等同於影片傳送的時間。

應用深度學習與3D列印技術於頭部電腦斷層掃描全自動分割辨識鼻竇與鼻竇黏膜發炎系統之開發及提出臨床診斷全新慢性鼻竇炎之評估標準

為了解決MANY 前叉 通用的問題，作者廖育樞 這樣論述：

慢性鼻竇炎是一種非常流行的氣道疾病，嚴重影響患者的生活品質。慢性鼻竇炎大多以病患自己主觀的症狀陳述做為臨床判斷而並無實際客觀數據與標準化。電腦斷層掃瞄因能清楚觀測鼻竇黏膜發炎造成鼻竇中出現灰色混濁區域，故使用電腦斷層掃描評估鼻竇黏膜發炎程度目前被認為是客觀診斷慢性鼻竇炎的方式。慢性鼻竇炎有許多用於電腦斷層掃描分析的分級系統，本文以目前美國耳鼻喉頭頸外科醫學會使用Lund-Mackay分級系統做為鼻竇炎之研究標準，因這種分級系統依十個不同的鼻竇（含左右上頷竇、前篩竇、後篩竇、額竇與蝶竇）的黏膜發炎程度個別計分，當黏膜發炎程度不佔電腦斷層掃描影像時記為0分，當黏膜發炎程度佔100%時記為2分，所

有其他程度都被記為1分，故診斷者能在不費時的情況下評斷較一致性，相較於其他分級系統簡單通用，且診斷者不需經過專業的醫療放射學訓練即可進行。但有研究指出該系統缺乏足夠的分級來觀測黏膜發炎程度的量化，因此出現研究者增加分級的數量以改進此系統。而這些改進的分級系統中，計算各鼻竇黏膜發炎比例的分級系統被證實為具更佳評估慢性鼻竇炎之方法，與慢性鼻竇炎病患之症狀嚴重程度更具相關性，但使用視覺觀測鼻竇黏膜發炎比例會失去一般Lund-Mackay分級系統中診斷者間評估的一致性，使分級系統趨於主觀，且目前計算鼻竇黏膜發炎程度仍需手動框選各種不同鼻竇之輪廓再加以計分，實施費時。因此，若能將評估系統全自動化實踐，將

成為日後衡量慢性鼻竇炎嚴重程度之黃金標準。　　本研究為改進評估慢行鼻竇炎鼻竇黏膜發炎程度之分級系統，開發出一套全自動化之系統，能適用於目前Lund-Mackay及其他改進分級系統之計分，快速計算頭部電腦斷層掃描中左右各五種不同鼻竇與其黏膜發炎比例，給予醫師臨床診斷之建議。　　本研究分為三部分，第一部份利用深度學習卷積神經網路中的語義分割方法全自動分割及辨識出各種鼻竇區域之輪廓，第二部份為各鼻竇之體積重建與驗證，第三部份為計算各鼻竇的黏膜發炎比例之分級系統給予是否進行手術的建議指標。一、 本研究使用三軍總醫院50組病患電腦斷層掃描資料，與醫師協同確實標註影像中上頷竇、前篩竇、後篩竇、額竇與蝶竇之

區域輪廓，接著使用專為醫學影像分割而開發出之語義分割模型UNet對所使用之資料集進行訓練，再結合新穎之深度學習方法對語義分割模型進行改進，含融合高解析度特徵圖跳躍連接使鼻竇輪廓分割細節更完整、自我學習特徵圖間的關係凸顯出重要的特徵圖、深度可分卷積減少運算與參數量、殘差連接穩定模型訓練與半監督式學習對未標註資料進行訓練與驗證。並依醫學影像分割判定之指標Dice評估模型之效能，得Dice可達到91.57％，代表能對影像做精準的分割與辨識，且預測100組病患資料平均每一組僅需9.7285秒，相比醫師手動框選花上至少一小時，大幅提升效率。此外還請到三位三軍總醫院的耳鼻喉科醫師，對語義分割模型所預測之額

外100組不同病患電腦斷層掃描資料進行準確度計分，這些電腦斷層掃瞄資料含左右上頷竇、前篩竇、後篩竇、額竇與蝶竇，得平均準確度高達94.6%，表示語義分割模型能精準分割辨識出各種不同的鼻竇區域輪廓，即使在難以區分的鼻竇口也能正確分割，僅在少量前篩竇與額竇相連時影像切片未出現邊界區域而造成誤判，證實本系統同時有快速且低誤判之優點有助於臨床給予醫師建議。二、 根據語義分割模型所分割辨識的上頷竇、前篩竇、後篩竇、額竇、蝶竇與其黏膜發炎之輪廓使用Marching cube進行三維體積重建，以3D列印技術列印出三個不同病患之鼻竇樣本，驗證實際體積與系統所得體積之計算誤差，得誤差平均為1.44％，驗證本研究

方法求得之各鼻竇與其黏膜發炎體積的可靠度。三、 依上頷竇、前篩竇、後篩竇、額竇、蝶竇與其黏膜發炎比例所計算出之全新Lund-Mackay分級系統作為是否進行手術的建議指標，經由約登指數求出最佳閾值評估是否可以有效診斷手術之必要性。得當分數為6.92時為最佳閾值，靈敏度、特異度與接收者操作特性曲線下面積分別為96.0％、92.6％與0.981，與一般Lund-Mackay分級系統靈敏度、特異度與接收者操作特性曲線下面積的84.0%、86.8%與0.857相比能更精準提供臨床偵測與診斷。證實依各鼻竇實際黏膜發炎比例評估慢性鼻竇炎能更有效了解病患之症狀程度，且能同時快速且精準的提供給醫師手術診斷的準

確性參考依據。