基於 GrabCut 的交互式超聲波影像分割

為了簡化醫師標注病徵的步驟，為此開發以 Grabcut 為核心演算法的Segmentation標註工具。

• 如何標注出正確目標
• 於病徵/組織內側標註兩條線段​
• 線不可跨出病徵/組織​
• 起點終點皆於病徵邊緣​
• 涵蓋盡可能多的顏色變化​
• 線之間需相交​
• 盡可能描述出 病徵/組織 形狀​
• 若邊緣模糊或形狀變化大增加線條輔助​
• 在邊緣模糊區域邊緣增加線段(線之間需相交)​
• 在形狀變化轉折點增加線段(線之間需相交)​
• 針對 Breast Ultrasound Images Dataset 隨機挑選 300 筆 US Images，『基於 GrabCut 的交互式超聲波影像分割』有以下優點，經過實驗可整合至標注工具平台，應用於實際場景。
• 即時運算：每次平均運算時間為 0.28 s，達到即時需求。
• 準確度高：透過使用者標註的線段，分別構成不同的 Mask (e.g. Foreground Mask, Probability Foreground Mask & Probability Background Mask)，使 GrabCut 結果更加準確以及穩定。
• 穩定度高：在目標邊緣明顯前提，不同使用者標注的線段誤差，對於分割結果的影響極小。
• 可微調分割結果：GrabCut 彈性大，可透過增減標註線段來修飾分割結果。