使用RadImageNet预训练的深度学习模型开发一种无参考CT图像质量评估方法
Kohei Ohashi1,2, Yukihiro Nagatani2, Asumi Yamazaki1,3
1Division of Health Sciences, The University of Osaka Graduate School of Medicine, Suita, Japan.
Journal of imaging informatics in medicine
|May 27, 2025
概括
一种新的深度学习方法通过处理多次退化来改善计算机断层扫描 (CT) 无参考图像质量评估 (NR-IQA). 这种方法提高了诊断准确度,并优化了辐射剂量,作为主观图像质量评估的替代品.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 精确的计算机断层扫描 (CT) 图像质量评估对于诊断和辐射安全至关重要.
- 无参考图像质量评估 (NR-IQA) 在没有参考图像时至关重要.
- 现有的深度学习CT-NR-IQA方法与多种退化和现实世界的变化作斗争.
研究的目的:
- 开发一种新的CT-NR-IQA方法,解决当前方法的局限性.
- 增强模型处理多种降解因素的能力,如噪音和模糊.
- 提高适应现实世界的CT图像退化能力.
主要方法:
- 利用结合噪声和模糊的数据集来训练卷积神经网络 (CNN) 模型.
- 利用RadImageNet预先训练的模型 (ResNet50,DenseNet121,InceptionV3,InceptionResNetV2) 进行了利用.
- 在人工和真实临床数据集上的主观和预测得分之间使用相关系数评估模型性能.
主要成果:
- 在两个数据集的主观和预测图像质量得分之间展示了积极的相关性.
- ResNet50获得了最高的性能,相关系数为0.910 (人工) 和0.831 (真实临床).
- 拟议的方法显示出强大的适应性,以现实世界的退化,而不需要人为退化的图像.
结论:
- 新的CT-NR-IQA方法有效地处理多种降解因子.
- 像ResNet50这样的预训练模型显著提高了对现实CT图像的性能和适应性.
- 提出的方法显示了作为CT扫描中主观图像质量评估的替代品的潜力.
