CT图像的质量评估策略:基于预恢复图像先验信息

摘要

目的 为有效提取更多无参考CT图像质量特征,本文提出一种基于预恢复图像先验信息的医用CT图像质量评估策略(PR-IQA),利用多信息融合输入提高IQA模型性能.方法 基于卷积神经网络(CNN)的无参考医用CT图像质量评估策略.该方法利用图像恢复算法中的图像质量特征先验信息,将其以预恢复图像和恢复前后残差图像的形式,与原始失真图像信息融合输入到两个CNN中,通过多信息融合以提升CNN的特征提取能力和预测性能.实验使用基于Mayo诊所公开螺旋CT数据所建立的医用CT图像质量评估数据集.通过计算定量指标以及统计学检验对PR-IQA性能进行评估,分析了不同超参数设置对PR-IQA性能的影响.并将PR-IQA与基于单个CNN模型直接对原始失真图像进行NR-IQA的方法(BASELINE)以及8种经典的IQA算法进行对比实验.结果 对比实验结果 表明,基于3种不同图像恢复算法先验信息(双边滤波、非局部均值滤波、三维块匹配协同滤波)的PR-IQA模型性能优于所有对比IQA算法.并且相比BASELINE方法性能均有提升,其中PLCC平均提升12.56％,SROCC平均提升19.95％,RMSE平均降低22.77％.结论 本文提出的PR-IQA方法能够充分利用图像恢复算法的先验信息,有效地预测医用CT图像质量.