HaarPSI在医学图像图像质量评估中的参数选择

在开发机器学习模型时，图像质量评估（IQA）指标是评估所得输出图像的重要组成部分。然而，常用的全参考图像质量评估（FR-IQA）指标主要是为自然图像开发和优化的。在许多专业场景中，如医学图像，这带来了一个经常被忽视的适用性问题。在先前研究中，FR-IQA 指标 HaarPSI 在泛化能力方面表现出令人鼓舞的行为。该指标基于 Haar 小波表示，且框架允许优化两个参数。到目前为止，这些参数是针对自然图像进行对齐的。在这里，我们为两个医学图像数据集——光声成像数据集和胸部 X 光数据集——优化了这些参数，并使用 IQA 专家评分。我们观察到它们得出了与自然图像数据不同的相似参数值，并且对参数变化更为敏感。我们将这种新的优化设置记为 HaarPSI$_{MED}$，显著提升了所用医学图像的性能（p<0.05）。此外，我们包含了一个独立的 CT 测试数据集来说明 HaarPSI$_{MED}$ 的泛化能力，以及定性展示改进效果的可视化示例。结果表明，在这些框架内调整通用 IQA 指标以适应医学图像，可以为使用更多特定任务指标提供有价值的、可泛化的补充。