MS-IQA：用于 PET/CT 图像质量评估的多尺度特征融合网络
图像与视频处理
2025-06-26 v1 计算机视觉与模式识别
摘要
正电子断层扫描/CT（PET/CT）在医学影像中发挥着关键作用，将功能信息与解剖信息结合有助于准确诊断。然而，由于噪声、压缩等因素导致图像质量下降，可能导致诊断不确定性并增加误诊风险。在评估 PET/CT 图像质量时，诸如失真等低层特征以及器官解剖结构等高层特征都会影响图像的诊断价值。然而，现有的医学图像质量评估（IQA）方法无法同时考虑这两类特征。本文提出了 MS-IQA，一种用于 PET/CT IQA 的新型多尺度特征融合网络，该网络利用 ResNet 和 Swin Transformer 各中间层的多尺度特征，增强其感知局部和全局信息的能力。此外，还引入了多尺度特征融合模块，通过动态加权通道注意力机制有效组合高层和低层信息。最后，为了填补 PET/CT IQA 数据集的空白，我们构建了 PET-CT-IQA-DS，包含 2700 幅质量各异的 PET/CT 图像，由放射科医生评分。我们在本数据集和公开的 LDCTIQAC2023 数据集上的实验表明，所提出的模型在各种 IQA 指标上优于现有的领先方法。该工作为 PET/CT 提供了一种准确且高效的 IQA 方法。我们的代码和数据集已提供（https://github.com/MS-IQA/MS-IQA/）。
引用
@article{arxiv.2506.20200,
title = {MS-IQA: A Multi-Scale Feature Fusion Network for PET/CT Image Quality Assessment},
author = {Siqiao Li and Chen Hui and Wei Zhang and Rui Liang and Chenyue Song and Feng Jiang and Haiqi Zhu and Zhixuan Li and Hong Huang and Xiang Li},
journal= {arXiv preprint arXiv:2506.20200},
year = {2025}
}
备注
Accepted to MICCAI 2025