Similarity Metrics for MR Image-To-Image Translation

图像到图像的转换可以在医学影像学中产生巨大的影响，例如，如果可以将患者的图像转换为另一种模态、类型或序列，以便更好地诊断。然而，这些方法必须经过人类读者研究的验证，这是昂贵的且仅限于小样本。需要对大样本进行自动评估，以在人类验证之前预先评估和不断改进方法。在本研究中，我们概述了用于图像合成评估的参考和非参考度量标准，并研究了九种需要参考（SSIM、MS-SSIM、PSNR、MSE、NMSE、MAE、LPIPS、NMI和PCC）和三种非参考度量标准（BLUR、MSN和MNG）检测BraSyn数据集中MR图像的11种扭曲的能力。此外，我们测试了下游分割度量标准和三种归一化方法（Minmax、cMinMax和Zscore）的效果。尽管PSNR和SSIM经常用于评估医学领域图像到图像转换任务的生成模型，但它们显示出非常特定的缺点。SSIM忽略模糊但对未归一化的MR图像中的强度变化非常敏感。PSNR对不同的归一化方法更加敏感，几乎不测量扭曲的程度。其他度量标准，如LPIPS、NMI和DICE，可以非常有用地评估其他相似性方面。如果要比较的图像未对齐，则大多数度量标准都有缺陷。通过精选和合理组合图像相似性度量标准，可以改进MR图像合成的生成模型的培训和选择。在最终和昂贵的受过训练的放射科医生评估之前，可以验证其输出的许多方面。

评估医学图像合成的参考和非参考度量方法

使用多种度量方法对医学图像合成模型进行评估，提出了一种综合使用多种度量方法的方法来改善MR图像合成模型的训练和选择。

论文使用了BraSyn数据集进行实验，并测试了多种参考和非参考度量方法的有效性。发现常用的PSNR和SSIM度量方法在医学图像合成中存在一些缺陷，提出了使用其他度量方法来评估不同的相似性方面。同时，论文强调了在训练和选择模型时，合理地组合多种度量方法可以提高模型的性能。

相关研究包括："Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks"，"Generative Adversarial Networks for Medical Imaging"等。