A study of why we need to reassess full reference image quality assessment with medical images

图像质量评估(IQA)不仅在临床实践中确保高标准不可或缺，而且在开发操作医学图像的新算法时也是必要的，这些算法需要参考数据。本文提供了一个结构化和全面的例子集合，其中两种最常见的全参考(FR)图像质量度量被证明不适用于使用不同类型的医学图像评估新算法，包括真实世界的MRI、CT、OCT、X射线、数字病理学和光声成像数据。特别是，FR-IQA度量PSNR和SSIM已被证明在许多自然成像任务中成功工作，但文献中已经注意到了医学场景中的差异。医学图像中出现的不一致性并不令人惊讶，因为它们具有与自然图像非常不同的属性，这些属性在上述度量的开发过程中没有被针对或测试，因此可能导致对医学图像的新方法做出错误的判断。因此，在这个人工智能时代，特别是在医学成像和其他领域的机器学习中，迫切需要提高可解释性、可重现性和泛化性。除了我们将提供未来研究的思路，还将建议使用FR-IQA度量应用于医学图像的指南。

针对医学图像评估中存在的问题，本论文试图提出更加适用的全参考图像质量评估方法。

本论文提出了一种更加适用于医学图像评估的全参考图像质量评估方法，并指出现有的PSNR和SSIM等评估方法在医学图像评估中存在的问题。

本论文提供了大量的医学图像数据集和实验结果，为医学图像评估提供了新的思路和方法。同时，论文提出了未来研究的方向和建议，并为使用全参考图像质量评估方法的医学图像评估提供了指南。

最近相关的研究包括： 1. A comprehensive review of image quality metrics and their performance. 2. Deep learning-based image quality assessment: A review.