本研究提出的基於深度學習的椎間盤分割模型在訓練、驗證及測試過程中均展現出良好 的表現，模型採用了 U-Net 架構，並通過跳躍連接有效地提取多尺度特徵，保留了重要的細 節信息，使用 Adam 優化器及 Dice Loss 損失函數，模型能夠有效地學習並精確地分割椎間 盤區域，結合學習率調度及早停技術，進一步提升了模型的性能，減少了過擬合風險。數據 預處理和批次加載策略的優化，提高了訓練效率和模型穩定性。我們在測試集上取得了顯著 的結果：Dice 係數為 96.52%，IoU 為 93.49%，精確度為 96.21%，召回率為 96.86%，F1 得 分為 96.52%。
未來的研究方向可以朝向椎間盤疾病的偵測，尤其是椎間盤突出、脫落以及其他相關病 變的自動化識別和分割，希望能夠準確地分割椎間盤，並識別和標註椎間盤的異常結構，幫 助醫師進行椎間盤疾病診斷，不僅能提升診斷效率，還能降低診斷錯誤率，對患者的早期治 療和後續追蹤具有重要價值。