一种基于深度学习的无标签无参考图像质量评估指标：用于钠 MRI 去噪
图像与视频处理
2024-09-04 v2 计算机视觉与模式识别
摘要
新的多核 MRI 技术，如钠 MRI，通常因信号本身较低而导致图像质量较差。后处理方法，如图像去噪，已用于图像增强。然而，尤其是在缺乏高分辨率高信噪比图像作为参考（如钠 MRI）时，对这些增强图像的评估具有挑战性。无参考图像质量评估（NR-IQA）指标是解决这一问题的方法。现有的基于学习的 NR-IQA 指标依赖于来自主观人类意见或信噪比（SNR）等指标派生的标签，这些标签要么耗时，要么缺乏准确的真值，导致评估不可靠。我们注意到，深度学习（DL）模型具有独特特征，即它们针对特定训练数据集进行专业化，这意味着输入测试数据与训练数据之间的偏差会降低预测准确性。因此，我们提出一种新的基于深度学习的无参考图像质量评估指标，即模型专业化指标（MSM），其不依赖于真实图像或标签。MSM 通过衡量输入图像与模型预测之间的差异来评估图像质量。在针对模拟失真的 proton T1 加权 MR 图像和去噪后的钠 MR 图像上进行的实验表明，MSM 在 various 模拟噪声和失真上表现出优异的评估性能。MSM 也与专家评估具有显著一致性，平均 Cohen's Kappa 系数为 0.6528，优于现有的 NR-IQA 指标。
引用
@article{arxiv.2408.16481,
title = {A Deep-Learning-Based Label-free No-Reference Image Quality Assessment Metric: Application in Sodium MRI Denoising},
author = {Shuaiyu Yuan and Tristan Whitmarsh and Dimitri A Kessler and Otso Arponen and Mary A McLean and Gabrielle Baxter and Frank Riemer and Aneurin J Kennerley and William J Brackenbury and Fiona J Gilbert and Joshua D Kaggie},
journal= {arXiv preprint arXiv:2408.16481},
year = {2024}
}
备注
13 pages, 3 figures