基于PET/CT图像质量客观算法的评价方法及系统

摘要

本发明公开基于PET/CT图像质量客观算法的评价方法及系统，其中，方法包括步骤：输入需评价的客观算法，在预设的主观评价数据库中选择测试类型，然后根据测试类型计算客观算法的预测结果；对预测结果进行非线性补偿，以消除主观评价数据库中引入的非线性因素；按照算法准确性、单调性、一致性三个方面，对客观算法的预测结果进行评价。本发明的评价方法可全面客观反映客观算法的性能，其具有应用简单，实时性强的特点。通过本发明的评价方法，可全面、准确、迅速地测试客观评价算法的性能。

说明书

技术领域

本发明涉及算法评价领域，尤其涉及基于PET/CT图像质量客观算法的评价方法及系统。

背景技术

PET/CT是将PET与CT融为一体而形成的新型医学设备。将PET和CT进行结合，不仅保留了经典解剖影像的作用，还加入了先进的分子影像功能，其结合远优于各自单独的价值。PET/CT检查具有灵敏、特异、准确、定位精确等特点，并且一次显像可获得人体各方位的断层图像，达到早期发现病灶和诊断疾病的目的。

医学图像，特别是放射医学成像，是临床医学研究、诊断、和治疗的重要依据。发展医学图像质量评价方法，对于评估和优化成像系统、医学图像的压缩方法、以及成像算法具有重大意义。目前有两类图像质量评价(IQA，Image Quality Assessment)方法：

1.主观评价法：通过心理学测试，直接获得人类视觉系统(Human Visual System,HVS)对图像质量的主观评价分数。这是一类比较可靠地评价方法，通常按照ITU-R_BT.500-11标准所描述的过程进行：在密闭的受控环境中，由非专家的测试者根据自己对图像质量的感受给出主观评价分数。这种方法可以产生较为统一的主观评分，可信度较高。

2.客观评价法，也常被称为图像质量评价算法或IQA算法。客观评价方法采用算法感知模型计算图像质量客观评价分数，其目的是使计算机模仿HVS的功能。图像质量感知客观模型的研究中，最基本的要求是能够基本完备地表达图像的差异，并与主观感知保持高度一致性。在满足上述要 求的基础上，消除模型中的冗余信息，使模型更加高效和简练是研究人员追求的目标。

一个理想的图像质量评价算法应满足以下三个方面：1)符合人类视觉感受；2)具有通用性，针对不同对象和环境，评价性能保持稳定；3)结果具有单调性，一致性，稳定性。而通常的客观算法评价指标并不能完整反映客观算法性能的优劣。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供基于PET/CT图像质量客观算法的评价方法及系统，旨在解决现有客观算法评价方法不能真实反映算法性能优劣的问题。

本发明的技术方案如下：

基于PET/CT医学图像质量客观算法的评价方法，其中，包括步骤：

A、输入需评价的客观算法，在预设的主观评价数据库中选择测试类型，然后根据测试类型计算客观算法的预测结果；

B、对预测结果进行非线性补偿，以消除主观评价数据库中引入的非线性因素；

C、按照算法准确性、单调性、一致性三个方面，对客观算法的预测结果进行评价。

所述的基于PET/CT医学图像质量客观算法的评价方法，其中，所述步骤B中，使用增加线性条件限制的五参数非线性logistic模型作为客观算法评价值的非线性模型来进行非线性补偿：

Quality(x)＝β₁logistic(β₂，(x-β₃))+β₄x+β₅；

其中，β₁、β₂、β₃、β₄、β₅为5个偏回归系数，x代表客观算法评价值,Quality(x)为拟合后的客观算法评价值。

所述的基于PET/CT医学图像质量客观算法的评价方法，其中，所述步骤C中，准确性方面的指标包括线性相关系数CC、均方误差根RMSE及平均绝对误差MAE，其中：

$\mathrm{CC}=\frac{\Sigma (X-\bar{X})(Y-\bar{Y})}{\sqrt{\Sigma {(X-\bar{X})}^2.\sqrt{{\Sigma (Y-\bar{Y})}^2}}},$$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{N}{\Sigma }}{(X-Y)}^2},$X和Y分别代表图像质量主观测量数据和图像质量客观预测数据，N为样本的总数。

所述的基于PET/CT医学图像质量客观算法的评价方法，其中，所述步骤C中，单调性方面的指标包括秩相关系数SROCC，其中：

X和Y分别代表图像质量主观测量数据和图像质量客观预测数据，N为样本的个数，D为等级间差异。

所述的基于PET/CT医学图像质量客观算法的评价方法，其中，所述步骤C中，一致性方面的指标包括离群率OR，其中：

N₀为客观算法预测数据为离群值的个数，N为样本的总数。

所述的基于PET/CT医学图像质量客观算法的评价方法，其中，如果离群值Y与客观算法测定平均值之差的绝对值大于3倍的标准偏差(σ)，即：

$|Y-\bar{Y}|>3\sigma$

则可以判定该离群值为异常值，将其舍弃；否则应予保留。

所述的基于PET/CT医学图像质量客观算法的评价方法，其中，客观算法的评价结果为：

$\mathrm{SCORE}=\frac{\mathrm{SROCC}+\mathrm{CC}}{\mathrm{MAE}+\mathrm{RMSR}+10\times \mathrm{OR}}.$

基于PET/CT医学图像质量客观算法的评价系统，其中，包括：

客观算法输入模块，用于输入需评价的客观算法，在预设的主观评价数据库中选择测试类型，然后根据测试类型计算客观算法的预测结果；

补偿模块，用于对预测结果进行非线性补偿，以消除主观评价数据库中引入的非线性因素；

评价模块，用于按照算法准确性、单调性、一致性三个方面，对客观算法的预测结果进行评价。

所述的基于PET/CT医学图像质量客观算法的评价系统，其中，补偿模块中，使用增加线性条件限制的五参数非线性logistic模型作为客观算法评价值的非线性模型来进行非线性补偿：

Quality(x)＝β₁logistic(β₂，(x-β₃))+β₄x+β₅；

其中，β₁、β₂、β₃、β₄、β₅为5个偏回归系数，x代表客观算法评价值,Quality(x)为拟合后的客观算法评价值。

所述的基于PET/CT医学图像质量客观算法的评价系统，其中，评价模块中，准确性方面的指标包括线性相关系数CC、均方误差根RMSE及平均绝对误差MAE，单调性方面的指标包括秩相关系数SROCC，一致性方面的指标包括离群率OR。

有益效果：本发明从三个方面评价客观算法的性能，包括算法的准确性、单调性、一致性，并以CC，MAE和RMSE作为评价客观算法准确性的指标，OR作为评价客观算法稳定性的指标，SROCC作为评价客观算法 单调性的指标，综合五个评价指标给出最终评价结果，可全面客观反映客观算法的性能。本发明的评价方法具有应用简单，实时性强的特点。通过本发明的评价方法，可全面、准确、迅速地测试客观评价算法的性能。

附图说明

图1为本发明基于PET/CT医学图像质量客观算法的评价方法较佳实施例的流程图。

图2为本发明的方法中主观评价数据库的建立过程流程图。

图3为本发明基于PET/CT医学图像质量客观算法的评价方法另一实施例的流程图。

具体实施方式

本发明提供基于PET/CT医学图像质量客观算法的评价方法及系统，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图1，图1为本发明基于PET/CT医学图像质量客观算法的评价方法的流程图，如图所示，其包括步骤：

S101、输入需评价的客观算法，在预设的主观评价数据库中选择测试类型，然后根据测试类型计算客观算法的预测结果；

S102、对预测结果进行非线性补偿，以消除主观评价数据库中引入的非线性因素；

S103、按照算法准确性、单调性、一致性三个方面，对客观算法的预测结果进行评价。

在步骤S101中，如图2所示，主观评价数据库的建立过程包括：

S201、采集测试图片；测试图片分为含病灶图片与无病灶图片，二者 比例大约为2:1。

S202、构造退化图片，并以此为基础建立主观评价数据库。本发明所选用的退化方法有JPEG压缩、JPEG2000压缩、对比度变化(Contrast Change，CC)、高斯白噪声(White Gaussian Noise，WGN)、高斯模糊(Gaussian Blur，GB)、模块缺失或运动模糊(Motion Blur，MB)；这些退化类型包含了实际PET/CT图像编码和图像传输中可能导致的各种失真，如块化效应、结构关联噪声、伪轮廓、振铃效应、边缘模糊、颗粒噪声以及平坦区随机噪声等，所以方便进行客观算法的通用性测试以及在不同失真图像中的功能性测试。

S203、进行主观测试，国际电信联盟标准-电视图像质量的主观评价方法ITU-R_BT.500-11协议中要求至少有15名非图像处理专业测试者参加测试，测试方法选择双重刺激失真水平测试法(Double-Stimulus Impairment Scale Method，DSIS)。主观测试评价指标为1到5的整数评分，其中分数越高代表图像质量越佳；

S204、计算测试结果，在所有测试者完成评价后，计算每张图片获得的平均分(Mean-Opinion-Score，MOS)作为最终测试结果。其公式为：

${\bar{U}}_k=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{U}_k$

其中k为测试图片、N为测试者数量,U_k为测试图片主观评价分数；

S205、筛选测试结果，计算每个测试者主观评价数据的标准偏差，公式如下所示：

$S_k=\sqrt{\underset{i=1}{\overset{N}{\Sigma }}{U}_k\frac{{\bar{U}}_k-U_k}{(N-1)}}$

对于标准偏差S_k大于2.5的主观评价数据规定为无效数据；其余作为有效平均分。

S206、保存测试结果，将每张图片获得的有效平均分作为最终测试结果存入主观评价数据库，即主观数据库中包含有一定数量的主观评价测试图片，以及每张图片对应的MOS分数。

如图3所示，在输入测试客观算法之后，在主观评价数据库中选择测试类型，包括全部图片的通用性测试，或针对不同退化方法的性能测试。选择好测试类型后计算客观算法预测结果。

在所述步骤S102中，视频质量专家组VQEG(Video Quality Experts Group)Phase-I和Phase-II中提出需要对客观算法的预测结果进行非线性补偿来消除主观评价过程中引入的非线性因素。本发明使用增加线性条件限制的五参数非线性logistic模型作为客观算法评价值的非线性模型。其计算公式如下，并采用最小均方误差法进行拟合：

Quality(x)＝β₁logistic(β₂，(x-β₃))+β₄x+β₅；

其中，β₁、β₂、β₃、β₄、β₅为偏回归系数，x代表客观算法评价值,Quality(x)为拟合后的客观算法评价值。

在所述步骤S103中，对客观算法评价值进行预处理之后，通过以下三个方面来评价客观算法的性能：(a)算法准确性：即客观评价值与主观评价值之间的差异应足够小；(b)单调性：客观评价值应随主观评价值的增减而增减；(c)一致性：客观评价算法在测试集上表现出的性能与其在训练集上的性能相似。本发明按照以下五个客观指标来测试算法性能：

其中，准确性方面的指标包括线性相关系数(Linear Correlation Coefficient，CC)、均方误差根(Root Mean Squared Error，RMSE)及平均绝对误差(Mean Absolute Error，MAE)，其中：

$\mathrm{CC}=\frac{\Sigma (X-\bar{X})(Y-\bar{Y})}{\sqrt{\Sigma {(X-\bar{X})}^2.\sqrt{{\Sigma (Y-\bar{Y})}^2}}},$$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{N}{\Sigma }}{(X-Y)}^2},$X和Y分别代表图像质量主观测量数据和图像质量客观预测数据，N为样本的总数。

单调性方面的指标包括秩相关系数(Spearman Rank Order Correlation Coefficient，SROCC)，其中：

X和Y分别代表图像质量主观测量数据和图像质量客观预测数据，N为样本的个数，D为等级间差异，在此处为MOS和MOSp之间差值的绝对值。

一致性方面的指标包括离群率(Outlier Ratio，OR)，其中：

N₀为客观算法预测数据为离群值的个数，N为样本的总数。

如果离群值Y与客观算法测定平均值之差的绝对值大于3倍的标准偏差(σ)，即：   

则可以判定该离群值为异常值，将其舍弃；否则应予保留。

客观算法的评价结果为：

$\mathrm{SCORE}=\frac{\mathrm{SROCC}+\mathrm{CC}}{\mathrm{MAE}+\mathrm{RMSR}+10\times \mathrm{OR}}.$

以上五个评价指标中，CC，MAE和RMSE作为客观算法预测主观质量的准确性指标，OR作为预测客观算法稳定性的指标，SROCC作为预测客观算法单调性的指标，CC与SROCC的值越大越好，其余三者的值越小越好。

综合五个评价指标，本发明给出客观算法最终评价结果，其结果数值越大表示客观算法性能越好。综合评价方式如下所示：

$\mathrm{SCORE}=\frac{\mathrm{SROCC}+\mathrm{CC}}{\mathrm{MAE}+\mathrm{RMSR}+10\times \mathrm{OR}}$

基于上述方法，本发明还提供基于PET/CT医学图像质量客观算法的评价系统较佳实施例，其包括：

客观算法输入模块，用于输入需评价的客观算法，在预设的主观评价数据库中选择测试类型，然后根据测试类型计算客观算法的预测结果；

补偿模块，用于对预测结果进行非线性补偿，以消除主观评价数据库中引入的非线性因素；

评价模块，用于按照算法准确性、单调性、一致性三个方面，对客观算法的预测结果进行评价。

补偿模块中，使用增加线性条件限制的五参数非线性logistic模型作为客观算法评价值的非线性模型来进行非线性补偿：

Quality(x)＝β₁logistic(β₂，(x-β₃))+β₄x+β₅；

其中，β₁、β₂、β₃、β₄、β₅为5个偏回归系数，x代表客观算法评价值,Quality(x)为拟合后的客观算法评价值。

综上所述，本发明从三个方面评价客观算法的性能，包括算法的准确性、单调性、一致性，并以CC，MAE和RMSE作为评价客观算法准确性的指标，OR作为评价客观算法稳定性的指标，SROCC作为评价客观算法单调性的指标，综合五个评价指标给出最终评价结果，可全面客观反映客观算法的性能。本发明的评价方法具有应用简单，实时性强的特点。通过本发明的评价方法，可全面、准确、迅速地测试客观评价算法的性能。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术 人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。