Abstract
本論文主要研究灰階指骨影像切割。在不同的前處理下，不同的演算方法在切割指骨上的效果比對。希望可以找出不同方法在不同前處理下的最佳狀況，進而提升全自動化的指骨骨骼年齡判讀系統的準確度，以利從旁輔助醫生對骨骼年齡進行判讀。 在論文中，我們提出一套實驗的方法，用以檢查不同的前處理下，不同演算方法對於切割指骨的效果比對。實驗先以不同的gamma值對指骨影像做gamma-selection enhancement影像增強處理後，再執行四種不同的影像切割之處理，比對四種方法在不同的gamma值底下，所表現的不同效果比對。 在實驗的過程中，為了找出最合適的前處理，我們以gamma值為0.1到2.0，間距為0.1，總共20種不同的前處理影像增強，本篇論文採用四種影像切割方式，分別為GVF snake、圓形除均切割、adaptive two-means clustering algorithm以及level set evolution。為了量化評估指骨的影像切割效益，我們採用五種的錯誤測量指標：ME (misclassification error) 、RFAE (relative foreground area error) 、NU (non-uniformity) 、MHD (modified Haudorff distances)、EMM (edge mismatch)等，希望找出各種不同情況下最佳的演算法及它們的最佳前處理。 在實驗中，我們發現確實不同的前處理參數會影響到影像切割方法的正確率。此外，我們也發現年紀和指節部位- distal, middle, proximal,的影像切割效益也和影像的前處理參數息息相關。總結而言，GVF snake和level set都是gamma值愈高時會愈好，而adaptive two-means和圓形除均則是會在一個固定的區段，GVF snake和adaptive two-means是最常推薦使用的方法，而圓形除均和level set則在低年齡和一些末端的指節會推薦使用。