CAS-IQA：面向合成动脉图像质量评估的视觉语言模型教学

由现代生成模型生成的合成 X 射线动脉图像具有巨大的潜力，以减少血管介入程序中对造影剂的使用。然而，低质量的合成动脉图像会显著增加程序风险，凸显可靠图像质量评估（IQA）方法的必要性。现有的 IQA 模型无法在评估时利用辅助图像作为参考，也缺乏临床相关性所需的细粒度、任务特定的度量标准。为克服这些限制，本文提出 CAS-IQA，一种基于视觉语言模型（VLM）的框架，通过有效整合来自相关图像的辅助信息来预测细粒度质量评分。在缺乏动脉图像数据集的情况下，构建了 CAS-3K 数据集，包含 3565 张合成动脉图像及评分标注。为确保临床上有意义的评估，定义了三个任务特定的评估度量标准。此外，设计了一个多路径特征融合与路由（MUST）模块，以适应性地融合和路由视觉标记到度量特定分支。在 CAS-3K 数据集上的大量实验表明，CAS-IQA 以显著的优势超过了最先进的 IQA 方法。