用于脑部MR图像运动伪影检测与量化的自动化SSIM回归方法
图像与视频处理
2023-03-03 v2 计算机视觉与模式识别
机器学习
医学物理
摘要
磁共振脑部图像中的运动伪影会强烈影响诊断信心。在进行临床诊断前，对MR图像质量的评估至关重要。运动伪影会改变脑、病灶或肿瘤等结构的轮廓，并可能需要重新扫描。否则，可能出现不准确（如病理正确但严重程度错误）或不正确的诊断（如病理错误）。作为扫描后快速自动化步骤的“图像质量评估”可协助判断所获图像是否足以用于诊断。本工作提出了一种基于通过残差神经网络进行结构相似性指数（SSIM）回归的自动化图像质量评估方法。此外，还评估了通过SSIM区间细分将图像分类为不同组别的方法。重要的是，该方法在缺乏参考真值图像的情况下预测输入图像的SSIM值。这些网络能够检测运动伪影，且回归与分类任务的最佳性能总是由带对比度增强的ResNet-18取得。残差分布的均值与标准差分别为 与 。而对于3类、5类与10类的分类任务，最佳准确率分别为97%、95%与89%。结果表明，所提方法可成为支持神经放射科医生与放射技师快速评估图像质量的工具。
引用
@article{arxiv.2206.06725,
title = {Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images},
author = {Alessandro Sciarra and Soumick Chatterjee and Max Dünnwald and Giuseppe Placidi and Andreas Nürnberger and Oliver Speck and Steffen Oeltze-Jafra},
journal= {arXiv preprint arXiv:2206.06725},
year = {2023}
}