医学成像无参考质量评估：应用于合成脑部 MRI
图像与视频处理
2024-07-23 v1 计算机视觉与模式识别
摘要
生成高质量的合成数据对于解决医学成像中的诸多挑战（如域适应、数据稀缺和隐私 concerns）至关重要。现有的图像质量指标往往依赖参考图像、针对组比较或针对 2D 自然图像，限制了其在复杂领域（如医学成像）中的效用。本研究引入一种新型基于深度学习的无参考方法，用于评估脑部 MRI 质量，通过训练 3D ResNet 来估计图像中六种常见 MRI 扫描 artifact 的质量。此外，训练扩散模型以生成高保真度的合成 3D 图像。该方法利用多个数据集进行训练和综合质量评估，基准测试于针对真实和合成图像的最先进指标。结果表明，在准确估计失真和从多个角度反映图像质量方面表现优异。值得注意的是，该方法无需参考图像，表明其适用于评估深度生成模型。此外，位于 [0, 1] 范围内的质量分数提供了直观的评估，覆盖异构数据集。对生成图像的评估提供了关于特定 artifact 的详细见解，指导改进生成模型以产生高质量合成图像。本研究首次提出一种综合方法，用于在 MRI 语境下评估真实和合成 3D 医学图像，而无需依赖参考图像。
引用
@article{arxiv.2407.14994,
title = {Non-Reference Quality Assessment for Medical Imaging: Application to Synthetic Brain MRIs},
author = {Karl Van Eeden Risager and Torkan Gholamalizadeh and Mostafa Mehdipour Ghazi},
journal= {arXiv preprint arXiv:2407.14994},
year = {2024}
}
备注
MICCAI 2024 workshop on Deep Generative Models