一种有效的无参考图像质量指数预测,使用混合人工智能方法对无色的MRI图像进行预测

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 数字医疗图像的数量不断增加,特别是磁共振图像 (MRI),需要强大的图像质量评估 (IQA).
• 无参考图像质量评估 (NR-IQA) 对于MRI是具有挑战性的,因为各种扭曲和丰富的信息内容.

研究的目的:

• 提出一种新的混合人工智能 (AI) 方法来分析大规模MRI数据集中的无参考图像质量 (NR-IQ).
• 通过开发有效和准确的评估方法来解决MRI中NR-IQA的挑战.

主要方法:

• 使用灰色水平运行长度矩阵 (GLRLM) 和EfficientNet B7在无色化MRI图像上进行特征提取.
• 通过多目标爬行动物搜索算法 (MRSA) 进行最佳特征向量选择.
• 有效的NR-IQ分析使用自发进化的深信模糊神经网络 (SDBFN) 算法,在MATLAB中实现.

主要成果:

• 与传统方法相比,拟议的人工智能方法在质量评估方面取得了显著的20%的改进.
• 关键绩效指标显示,皮尔森相关系数 (PLCC) 显著增加,根平均平方误差 (RMSE) 减少了12%.
• 在MRI数据集中实现了低平均绝对误差 (MAE) 值 (膝盖:0.02,大脑:0.09,乳房:0.098),表现优于基线模型.

结论:

• 开发的混合人工智能模型为MRI中的NR-IQA提供了优越的解决方案.
• 该方法提供了更准确和可靠的图像质量分析,这对于临床应用至关重要.
• 这项研究为医学图像质量评估领域的重大进步做出了贡献.