TWI859061B - 評估感染性關節炎的優化裝置及優化方法 - Google Patents

Abstract

本案提出一種評估感染性關節炎的優化裝置及優化方法。優化方法包括獲得對應於同一個膝蓋區域的灰階膝蓋組織影像及具有血管分布特徵的都卜勒膝蓋組織影像；輸入灰階膝蓋組織影像至視覺轉換器以擷取灰階膝蓋組織影像的複數個第一影像特徵；輸入都卜勒膝蓋組織影像至視覺轉換器以擷取都卜勒膝蓋組織影像的複數個第二影像特徵；並於機器學習分類器同時使用複數個第一影像特徵及複數個第二影像特徵，以產生對應於同一個膝蓋區域的複數個分類結果及各分類結果的機率值以作為評估感染性關節炎的資訊。

Description

評估感染性關節炎的優化裝置及優化方法

本案涉及一種評估感染性關節炎的優化裝置及優化方法。

現行的感染性關節炎的評估方法為從關節部位抽取檢體樣本，例如膝蓋的滑液、滑膜或血液，花費數天至一週不等的時間對檢體樣本進行細胞培養，從培養的檢體樣本中分離出病原體，再從中分析出病原體的細菌種類以對症下藥。

檢體樣本的培養相當耗費時間，患部的病情可能在培養樣本的數天的時間之內就快速惡化。因此，為了等待檢體樣本的培養結果，患部往往無法獲得即時的治療而導致病情延誤。

對於需要花費冗長的時間培養檢體樣本之後才能分析出病原體的作法，如何進行流程優化為本技術領域的技術人員所欲解決的技術問題。

本案提出一種評估感染性關節炎的優化裝置，包括超音波感測器、都卜勒感測器及控制器。超音波感測器經配置以感測涵蓋有部分膝蓋區域的灰階膝蓋組織影像。都卜勒感測器經配置以感測在部分膝蓋區域上具有血管分布特徵的都卜勒膝蓋組織影像，其中都卜勒膝蓋組織影像與灰階膝蓋組織影像為對應於同一個部分膝蓋區域的組織影像。控制器耦接於超音波感測器及都卜勒感測器且經配置以執行以下操作：輸入灰階膝蓋組織影像至視覺轉換器以擷取灰階膝蓋組織影像的複數個第一影像特徵；輸入都卜勒膝蓋組織影像至視覺轉換器以擷取都卜勒膝蓋組織影像的複數個第二影像特徵；於機器學習分類器同時使用複數個第一影像特徵及複數個第二影像特徵進行分類運算，以產生對應於同一個膝蓋區域的組織影像的複數個分類結果及各分類結果的機率值；以及輸出具有機率值的複數個分類結果以作為評估感染性關節炎的評估資訊。

本案另一實施例提出評估感染性關節炎的優化方法，使用一優化裝置來執行。優化方法包括以下步驟：經由優化裝置的超音波感測器獲得對應於一部分膝蓋區域的灰階膝蓋組織影像及經由優化裝置的都卜勒感測器獲得對應同一個部分膝蓋區域的具有血管分布特徵的都卜勒膝蓋組織影像；輸入灰階膝蓋組織影像至視覺轉換器以擷取灰階膝蓋組織影像的複數個第一影像特徵；輸入都卜勒膝蓋組織影像至視覺轉換器以擷取都卜勒膝蓋組織影像的複數個第二影像特徵；於機器學習分類器同時使用複數個第一影像特徵及複數個第二影像特徵進行分類運算，以產生對應於同一個膝蓋區域的組織影像的複數個分類結果及各分類結果的機率值；以及輸出具有機率值的複數個分類結果以作為評估感染性關節炎的評估資訊。

以下結合圖式和實施例對本案作進一步說明，以使本發明所屬技術領域的相關人員可以更好的理解本發明並能據以實施，但所舉實施例不作為對本發明的限定。

為了降低評估感染性關節炎的時間，優化感染性關節炎的評估流程，本案應用了兩種超音波感測器所獲得的超音波影像，並提出優化方法及執行優化方法的裝置來達成上述目的。

圖1為本案根據一實施例所繪示的評估感染性關節炎的優化裝置的方塊圖。

如圖1所示，優化裝置100包括超音波感測器110、都卜勒感測器120及控制器130。控制器130耦接於超音波感測器110及都卜勒感測器120。

超音波感測器110經配置以感測潛在病患的一部分膝蓋區域並產生對應此部分膝蓋區域的灰階膝蓋組織影像。

都卜勒感測器120經配置以感測同一潛在病患的一部分膝蓋區域並產生對應此部分膝蓋區域且具有血管分布特徵的都卜勒膝蓋組織影像。

於一實施例中，超音波感測器110與都卜勒感測器120為設置在同一個殼體的架構，透過此架構可以使超音波感測器110與都卜勒感測器120兩個感測器擷取的兩個影像為對應到同一個部分膝蓋區域。舉例而言，當超音波感測器110被放置於膝蓋的皮膚表面上而對膝蓋發射訊號時，超音波感測器110接收回傳訊號並擷取及儲存為灰階膝蓋組織影像。於此同時，基於超音波感測器110與都卜勒感測器120為設置在同一個殼體的架構，在超音波感測器110被放置於膝蓋的皮膚表面上時，都卜勒感測器120也會被放置於同一個膝蓋區域的皮膚表面上。因此，在都卜勒感測器120對膝蓋發射訊號之後所接收到的回傳訊號並將其擷取及儲存為都卜勒膝蓋組織影像的膝蓋區域會是對應於灰階膝蓋組織影像的膝蓋區域。

於一實施例中，都卜勒膝蓋組織影像與灰階膝蓋組織影像同樣具有組織特徵，差異在於，都卜勒膝蓋組織影像還具有血管分布特徵。都卜勒感測器120會基於血管位於一般的組織與介質的相對位置，而對應呈現血管分布特徵於都卜勒膝蓋組織影像。換言之，血管分布特徵有可能遮蔽影像中原本有呈現一般組織及介質的部分。

於一實施例中，一組影像對的灰階膝蓋組織影像與都卜勒膝蓋組織影像為對應於同一個部分膝蓋區域的組織影像。基於產生超音波影像的次數，而會產生複數組影像對，而不同的影像對會對應到不同的膝蓋區域。

控制器130例如是但不限於數位訊號處理器(Digital Signal Processor, DSP)、特定用途積體電路(Application Specific Integrated Circuit, ASIC)、中央處理器(Central Processing Unit, CPU)、系統單晶片(System on Chip, SoC)、現場可程式設計閘陣列(Field Programmable Gate Array, FPGA)、網路處理器(Network Processor)晶片或上述元件的組合。

為利於理解本案的灰階膝蓋組織影像及都卜勒膝蓋組織影像，請參照圖2及圖3。

圖2為本案根據一實施例由超音波感測器感測部分膝蓋區域而產生的灰階膝蓋組織的實際影像。圖3為本案根據一實施例由都卜勒感測器感測部分膝蓋區域而產生具有血管分布特徵的都卜勒膝蓋組織影像。圖2及圖3為朝同一個膝蓋區域所產生的兩個組織影像，可被視為一組影像對。如圖2所示，灰階膝蓋組織影像210呈現出人體的組織及介質，例如組織231。

另一方面，圖3則進一步顯示出人體的血管分布特徵。如圖3所示，都卜勒膝蓋組織影像220包括組織239及血管分布特徵235。圖3的不規則封閉形狀(請一併參見附件的紅色外框內的橘色區塊)為都卜勒感測器120感測到的血管分布特徵，包括血管的大小及相對於其他組織與介質的位置關係。

由於灰階膝蓋組織影像210與都卜勒膝蓋組織影像220為對應到同一個膝蓋區域(同一組影像對)，因此灰階膝蓋組織影像210的組織231與都卜勒膝蓋組織影像220的組織239可以為膝蓋區域的同一個組織特徵。

以下說明本案運用灰階膝蓋組織影像210與都卜勒膝蓋組織影像220在機器學習領域來實現評估感染性關節炎的優化方法。

圖4為本案根據一實施例由優化裝置執行評估感染性關節炎的優化方法的資料流的示意圖。

於一實施例中，一組影像對的灰階膝蓋組織影像210與都卜勒膝蓋組織影像220會被作為一組輸入資料，經由視覺轉換器310a及視覺轉換器310b進行影像特徵擷取及經由機器學習分類器320產生分類結果，來提供用以評估對應的膝蓋區域是否為高度風險的感染性關節炎的病灶部位的評估資訊。

於一實施例中，灰階膝蓋組織影像210與都卜勒膝蓋組織影像220會分別被輸入至視覺轉換器310a及視覺轉換器310b。

視覺轉換器310a及視覺轉換器310b例如是針對影像識別的視覺處理的轉換器(ViT，Vision Tramsformer)。

於接收灰階膝蓋組織影像210的視覺轉換器310a中，視覺轉換器310a會執行視覺處理來擷取出灰階膝蓋組織影像210的複數個第一影像特徵216。

另一方面，於接收都卜勒膝蓋組織影像220的視覺轉換器310b中，視覺轉換器310b會執行視覺處理來擷取出都卜勒膝蓋組織影像220的複數個第二影像特徵226。

接著，複數個第一影像特徵216及複數個第二影像特徵226會同時被輸入至機器學習分類器320。

於一實施例中，視覺轉換器310a及視覺轉換器310b可以為同一個視覺轉換器，用以分別處理灰階膝蓋組織影像210和都卜勒膝蓋組織影像220，來分別擷取出複數個第一影像特徵216和複數個第二影像特徵226。

機器學習分類器320例如是支持向量分類器(Support Vector Classifier)、線性判別(Linear Discriminant)、最近相鄰法(Nearest Neighbors)、決策樹(Decision Tree)、隨機森林(Random Forest)或神經網路(Neural Network)等方法建構得到的分類器。

機器學習分類器320會同時處理複數個第一影像特徵216及複數個第二影像特徵226，以對這些影像特徵進行關聯性運算來產生一輸出資料410。輸出資料410包括複數個分類結果及各個分類結果的機率值。接著，這些具有機率值的分類結果會被作為用以評估感染性關節炎的評估資訊。

以下進一步說明視覺轉換器310a的運作細節。

圖5為本案根據一實施例所繪示的圖4的視覺轉換器處理灰階膝蓋組織影像的細部資料流的示意圖。

視覺轉換器310a會先將灰階膝蓋組織影像210切割為複數個第一小區塊212。如圖5所示，灰階膝蓋組織影像210被切割為9個第一小區塊212。

於一實施例中，視覺轉換器310a包括線性投影模組312及轉換編碼器314。視覺轉換器310a切割出複數個第一小區塊212之後會將複數個第一小區塊212輸入至線性投影模組312。在線性投影模組312接收複數個第一小區塊212之後，會添加各個第一小區塊212在灰階膝蓋組織影像210的位置資訊至各個第一小區塊212。以灰階膝蓋組織影像210被切割為9個小區塊為例，左上角的小區塊的位置資訊會以附加的方式被添加到左上角的小區塊中。

除了位置資訊外，線性投影模組312還會將各個第一小區塊212在灰階膝蓋組織影像210所屬的類別資訊添加至各個第一小區塊212。以灰階膝蓋組織影像210被切割為9個小區塊且左上角的小區塊的類別資訊是關節膜為例，會以附加的方式將「關節膜」之類別資訊添加到左上角的小區塊中。

值得一提的是，線性投影模組312會以向量形式處理各個第一小區塊212，因此位置資訊及類別資訊也會以向量形式被添加到各個第一小區塊212中。於下面說明中，將被添加了位置資訊及類別資訊的各個小區塊稱為第一小區塊214。

視覺轉換器310a還具有轉換編碼器314。接著，線性投影模組312將攜帶有位置資訊及類別資訊的複數個第一小區塊214輸入至轉換編碼器314。轉換編碼器314使用攜帶有位置資訊及類別資訊的複數個第一小區塊214來分析出複數個第一影像特徵216。轉換編碼器314會將此些第一影像特徵216輸入至機器學習分類器320。

視覺轉換器310b也會對都卜勒膝蓋組織影像220執行相同於圖5的影像處理程序。於一實施例中，視覺轉換器310b為獨立於視覺轉換器310a的元件。視覺轉換器310b也包括線性投影模組及轉換編碼器。視覺轉換器310b的線性投影模組及轉換編碼器與圖5的線性投影模組312及轉換編碼器314分別為相同的元件及功能，而實現與線性投影模組312及轉換編碼器134相同的操作。

於一實施例中，視覺轉換器310b與視覺轉換器310a為同一個元件，此時視覺轉換器310b包括線性投影模組312及轉換編碼器314。為簡化說明書，以下為視覺轉換器310b包括線性投影模組312及轉換編碼器314的內容進行說明。

於一實施例中，視覺轉換器310b會先將都卜勒膝蓋組織影像220切割為複數個第二小區塊(圖未繪示)。在線性投影模組312接收複數個第二小區塊之後，會添加各個第二小區塊在都卜勒膝蓋組織影像220的位置資訊至各個第二小區塊。以都卜勒膝蓋組織影像220被切割為9個小區塊為例，右上角的小區塊的位置資訊會以附加的方式被添加到右上角的小區塊中。

線性投影模組312會將各個第二小區塊在都卜勒膝蓋組織影像220所屬的類別資訊添加至各個第二小區塊。以都卜勒膝蓋組織影像220被切割為9個小區塊且右上角的小區塊的類別資訊是血管為例，會以附加的方式將「血管」之類別資訊添加到右上角的小區塊中。

值得一提的是，線性投影模組312會以向量形式處理各個第二小區塊，因此位置資訊及類別資訊也會以向量形式被添加到各個第二小區塊中。

接著，線性投影模組312將攜帶有位置資訊及類別資訊的複數個第二小區塊輸入至轉換編碼器314。轉換編碼器314使用攜帶有位置資訊及類別資訊的複數個第二小區塊來分析出複數個第二影像特徵226。轉換編碼器314會將此些第二影像特徵226輸入至機器學習分類器320。

接著，如同上述說明，機器學習分類器320會同時處理複數個第一影像特徵216及複數個第二影像特徵226，以對這些影像特徵進行分類運算來產生一輸出資料410。輸出資料410包括各自具有機率值的複數個分類結果。

於一實施例中，控制器130根據輸出資料410提供具有最大機率值的分類結果來作為評估感染性關節炎的高度關聯的資訊。

值得一提的是，圖4及圖5中的視覺轉換器310a、視覺轉換器310b及機器學習分類器320為軟體模組，由複數個程式碼組成。圖1的優化裝置100的控制器130執行軟體模組的程式碼來執行視覺轉換器310a、視覺轉換器310b及機器學習分類器320，以實現評估感染性關節炎的優化方法的各個步驟。

圖6為本案根據一實施例所繪示的評估感染性關節炎的優化方法的流程圖。評估感染性關節炎的優化方法可由圖1的優化裝置100來執行。

於步驟S610中，經由超音波感測器110獲得涵蓋有部分膝蓋區域的灰階膝蓋組織影像210，及經由都卜勒感測器120獲得具有血管分布特徵的都卜勒膝蓋組織影像220。

於一實施例中，當灰階膝蓋組織影像210與都卜勒膝蓋組織影像220所涵蓋的部分膝蓋區域為對應於同一個膝蓋區域時，此兩個影像會被儲存為一組影像對。

於步驟S620中，經由控制器130輸入灰階膝蓋組織影像210至視覺轉換器310a，以擷取灰階膝蓋組織影像210的複數個第一影像特徵216。

於步驟S630中，經由控制器130輸入都卜勒膝蓋組織影像220至視覺轉換器310b，以擷取都卜勒膝蓋組織影像220的複數個第二影像特徵226。值得一提的是，控制器130可以同時將灰階膝蓋組織影像210及都卜勒膝蓋組織影像220分別輸入視覺轉換器310a及視覺轉換器310b，步驟S620及步驟S630的執行順序並不以圖6中所示的順序為必然。

於步驟S640中，經由控制器130輸入複數個第一影像特徵216及複數個第二影像特徵226至機器學習分類器320，機器學習分類器320同時使用複數個第一影像特徵216及複數個第二影像特徵226來進行分類運算，以產生複數個分類結果及各分類結果的機率值。

於一實施例中，所得到的複數個分類結果為針對對應到同一膝蓋區域的灰階膝蓋組織影像210及都卜勒膝蓋組織影像220的資訊。

於步驟S650中，經由控制器130操作機器學習分類器320來輸出具有機率值的複數個分類結果，以作為評估感染性關節炎的評估資訊。

於一實施例中，每一個分類結果有對應的機率值，控制器130會基於機率值由高至低輸出各分類結果供使用者參考。具有最高機率值的分類結果可以被作為評估感染性關節炎的高度關聯的資訊。

於一實施例中，圖4的視覺轉換器310a及視覺轉換器310b為經過預訓練的模型。舉例而言，視覺轉換器310a及視覺轉換器310b可以為由其他運算裝置使用無關於灰階膝蓋組織影像210及都卜勒膝蓋組織影像220的其他影像進行訓練之後所得到的視覺轉換模型(Vision Transformer)。由於優化裝置100不需要先對視覺轉換器310a及視覺轉換器310b進行訓練，而是使用通用的影像模型來執行影像特徵的擷取，因此可以節省去訓練視覺轉換器310a及視覺轉換器310b的時間。

於一實施例中，控制器130會使用複數組影像對來訓練圖4的機器學習分類器320。舉例而言，控制器130將事先感測取得同一個膝蓋區域的灰階膝蓋組織影像(或稱訓練用灰階膝蓋組織影像)及都卜勒膝蓋組織影像(或稱訓練用都卜勒膝蓋組織影像)作為一組影像對，並且在超音波感測器110及都卜勒感測器120每移動一小段距離就取得一組影像對。因此，控制器130以複數組影像對作為訓練資料來訓練機器學習分類器320。

綜上所述，在僅考慮一個影像類型來評估感染性關節炎的情況下，例如僅使用灰階膝蓋組織影像，由於灰階膝蓋組織影像缺乏血管分布特徵，導致可用影像特徵較少，而使得評估的效能較差；或者，僅使用都卜勒膝蓋組織影像的情況下，雖然都卜勒膝蓋組織影像具有血管分布特徵而有較多的可用的影像特徵，但由於血管分布特徵會遮蔽其他組織和介質，這會導致部分的影像特徵不連續，而使得評估的準確度失真。相較之下，本案提出的評估感染性關節炎的優化裝置及優化方法同時參考了灰階膝蓋組織影像及都卜勒膝蓋組織影像，灰階膝蓋組織影像補足使用都卜勒膝蓋組織影像導致影像特徵不連續的問題，而都卜勒膝蓋組織影像補足使用灰階膝蓋組織影像的影像特徵較少的問題，據此，本案可以降低評估感染性關節炎的時間，優化感染性關節炎的評估流程，並提升評估感染性關節炎的效能。

以上所述僅為本案的具體實例，非因此即侷限本案的申請專利範圍，故舉凡運用本案內容所為的等效變化，均同理皆包含於本案的範圍內，合予陳明。

100:優化裝置 110:超音波感測器 120:都卜勒感測器 130:控制器 210:灰階膝蓋組織影像 212:第一小區塊 214:第一小區塊 216:第一影像特徵 220:都卜勒膝蓋組織影像 226:第二影像特徵 231:組織 235:血管分布特徵 239:組織 310a:視覺轉換器 310b:視覺轉換器 320:機器學習分類器 410:輸出資料 S610~S650:步驟

圖1為本案根據一實施例所繪示的評估感染性關節炎的優化裝置的方塊圖。

圖2為本案根據一實施例由超音波感測器感測部分膝蓋區域而產生的灰階膝蓋組織的實際影像。

圖3為本案根據一實施例由都卜勒感測器感測部分膝蓋區域而產生具有血管分布特徵的都卜勒膝蓋組織影像。

圖4為本案根據一實施例由優化裝置執行評估感染性關節炎的優化方法的資料流的示意圖。

圖5為本案根據一實施例所繪示的圖4的視覺轉換器處理灰階膝蓋組織影像的細部資料流的示意圖。

圖6為本案根據一實施例所繪示的評估感染性關節炎的優化方法的流程圖。

210:灰階膝蓋組織影像

216:第一影像特徵

220:都卜勒膝蓋組織影像

226:第二影像特徵

310a:視覺轉換器

310b:視覺轉換器

320:機器學習分類器

410:輸出資料

Claims (10)

1. 一種評估感染性關節炎的優化裝置，包括： 一超音波感測器，經配置以感測涵蓋有一部分膝蓋區域的一灰階膝蓋組織影像； 一都卜勒感測器，經配置以感測在該部分膝蓋區域上具有血管分布特徵的一都卜勒膝蓋組織影像，其中該都卜勒膝蓋組織影像與該灰階膝蓋組織影像為對應於同一個部分膝蓋區域的組織影像；以及 一控制器，耦接該超音波感測器及該都卜勒感測器，經配置以： 輸入該灰階膝蓋組織影像至一視覺轉換器以擷取該灰階膝蓋組織影像的複數個第一影像特徵； 輸入該都卜勒膝蓋組織影像至該視覺轉換器以擷取該都卜勒膝蓋組織影像的複數個第二影像特徵； 於一機器學習分類器同時使用該複數個第一影像特徵及該複數個第二影像特徵進行分類運算，以產生對應於該同一個膝蓋區域的組織影像的複數個分類結果及各該分類結果的一機率值；以及 輸出具有該機率值的該複數個分類結果以作為評估感染性關節炎的評估資訊。
2. 如請求項1所述的評估感染性關節炎的優化裝置，其中該控制器經配置以於輸入該灰階膝蓋組織影像至該視覺轉換器之後，執行以下操作： 執行該視覺轉換器以將該灰階膝蓋組織影像切割為複數個第一小區塊； 執行該視覺轉換器的一線性投影模組以添加各該第一小區塊在該灰階膝蓋組織影像的一位置資訊至各該第一小區塊以及添加各該第一小區塊在該灰階膝蓋組織影像所屬的一類別資訊至各該第一小區塊；以及 輸入攜帶有該位置資訊及該類別資訊的該複數個第一小區塊至該視覺轉換器的一轉換編碼器，並執行該轉換編碼器來分析出該複數個第一小區塊的該複數個第一影像特徵。
3. 如請求項2所述的評估感染性關節炎的優化裝置，其中該控制器經配置以於輸入該都卜勒膝蓋組織影像至該視覺轉換器之後，執行以下操作： 執行該視覺轉換器以將該都卜勒膝蓋組織影像切割為複數個第二小區塊； 執行該線性投影模組以添加各該第二小區塊在該都卜勒膝蓋組織影像的該位置資訊至各該第二小區塊及添加各該第二小區塊在該都卜勒膝蓋組織影像所屬的該類別資訊至各該第二小區塊；以及 輸入攜帶有該位置資訊及該類別資訊的該複數個第二小區塊至該轉換編碼器，並執行該轉換編碼器來分析出該複數個第二小區塊的該複數個第二影像特徵。
4. 如請求項1所述的評估感染性關節炎的優化裝置，其中該控制器使用複數組影像對來訓練該機器學習分類器，其中各該影像對包括對應於同一個膝蓋區域的一訓練用灰階膝蓋組織影像及一訓練用都卜勒膝蓋組織影像。
5. 如請求項1所述的評估感染性關節炎的優化裝置，其中該控制器經配置以提供具有最大的該機率值的該分類結果，來作為評估感染性關節炎的高度關聯的資訊。
6. 一種評估感染性關節炎的優化方法，使用一優化裝置來執行，該優化方法包括： 經由該優化裝置的一超音波感測器獲得對應於一部分膝蓋區域的一灰階膝蓋組織影像及經由該優化裝置的一都卜勒感測器獲得對應同一個部分膝蓋區域的具有血管分布特徵的一都卜勒膝蓋組織影像； 輸入該灰階膝蓋組織影像至一視覺轉換器以擷取該灰階膝蓋組織影像的複數個第一影像特徵； 輸入該都卜勒膝蓋組織影像至該視覺轉換器以擷取該都卜勒膝蓋組織影像的複數個第二影像特徵； 於一機器學習分類器同時使用該複數個第一影像特徵及該複數個第二影像特徵進行分類運算，以產生對應於該同一個膝蓋區域的組織影像的複數個分類結果及各該分類結果的一機率值；以及 輸出具有該機率值的該複數個分類結果以作為評估感染性關節炎的評估資訊。
7. 如請求項6所述的評估感染性關節炎的優化方法，其中於輸入該灰階膝蓋組織影像至該視覺轉換器之後，該優化方法包括： 執行該視覺轉換器以將該灰階膝蓋組織影像切割為複數個第一小區塊； 執行該視覺轉換器的一線性投影模組以添加各該第一小區塊在該灰階膝蓋組織影像的一位置資訊至各該第一小區塊以及添加各該第一小區塊在該灰階膝蓋組織影像所屬的一類別資訊至各該第一小區塊；以及 輸入攜帶有該位置資訊及該類別資訊的該複數個第一小區塊至該視覺轉換器的一轉換編碼器，並執行該轉換編碼器來分析出該複數個第一小區塊的該複數個第一影像特徵。
8. 如請求項7所述的評估感染性關節炎的優化方法，其中於輸入該都卜勒膝蓋組織影像至該視覺轉換器之後，該優化方法包括： 執行該視覺轉換器以將該都卜勒膝蓋組織影像切割為複數個第二小區塊； 執行該線性投影模組以添加各該第二小區塊在該都卜勒膝蓋組織影像的該位置資訊至各該第二小區塊及添加各該第二小區塊在該都卜勒膝蓋組織影像所屬的該類別資訊至各該第二小區塊；以及 輸入攜帶有該位置資訊及該類別資訊的該複數個第二小區塊至該轉換編碼器，並執行該轉換編碼器來分析出該複數個第二小區塊的該複數個第二影像特徵。
9. 如請求項6所述的評估感染性關節炎的優化方法，更包括使用複數組影像對來訓練該機器學習分類器，其中各該影像對包括對應於同一個膝蓋區域的一訓練用灰階膝蓋組織影像及一訓練用都卜勒膝蓋組織影像。
10. 如請求項6所述的評估感染性關節炎的優化方法，其中輸出該評估資訊的步驟更包括： 提供具有最大的該機率值的該分類結果，來作為評估感染性關節炎的高度關聯的資訊。