Similarity Metrics for MR Image-To-Image Translation

图像到图像的翻译可以在医学成像领域产生巨大的影响，例如可以将图像合成为其他模态、序列类型、更高分辨率或更低噪声水平。为了确保高水平的患者安全性，这些方法大多通过人类读者研究进行验证，这需要相当大的时间和成本。定量指标已被用于补充这些研究，并提供合成图像的可重复和客观评估。尽管SSIM和PSNR指标被广泛使用，但它们不能像期望的那样检测到合成图像中的所有类型的错误。其他指标可以提供额外有用的评估。在本研究中，我们概述并定量分析了15种评估合成图像质量的指标。我们包括11个全参考指标（SSIM，MS-SSIM，CW-SSIM，PSNR，MSE，NMSE，MAE，LPIPS，DISTS，NMI和PCC），三个非参考指标（BLUR，MLC，MSLC）和一个下游任务分割指标（DICE），以检测在MR图像中出现的11种典型失真和伪影。此外，我们分析了四种主要的归一化方法（Minmax，cMinmax，Zscore和Quantile）对不同指标和失真的影响。最后，我们提供不良示例以突出指标评估中的陷阱，并得出使用分析的相似度指标进行图像到图像翻译模型评估的有效建议。

本文旨在提出一种用于评估合成图像质量的方法，以解决医学成像中合成图像的验证问题。

本文提出了15种不同的度量方法，包括11种全参考度量方法、3种非参考度量方法和1种下游任务分割度量方法，以检测MR图像中的11种典型失真和伪影。

本文分析了四种主要的归一化方法对不同度量方法和失真的影响。此外，本文提供了不良示例，以突出度量评估中的陷阱，并为使用分析的相似性度量方法进行有效评估的推荐提供了建议。

最近的相关研究包括“Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks”和“High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs”等。