Non-Reference Quality Assessment for Medical Imaging: Application to Synthetic Brain MRIs

生成高质量的合成数据对于解决医学成像领域的挑战非常重要，例如域适应、数据稀缺和隐私问题。现有的图像质量评估指标通常依赖于参考图像，专为群体比较而设计，或仅适用于二维自然图像，限制了它们在医学成像等复杂领域的有效性。本研究介绍了一种基于深度学习的新型非参考方法，通过训练3D ResNet来评估脑部MRI质量。该网络旨在估计MRI扫描中常见的六种不同伪影的质量。此外，还训练了扩散模型，以生成高保真度的合成三维图像。该方法利用多个数据集进行训练和全面的质量评估，并与真实和合成图像的最先进指标进行基准测试。结果表明，在准确估计失真和从多个角度反映图像质量方面，其性能优越。值得注意的是，该方法不需要参考图像，表明其适用于评估深度生成模型。此外，[0,1]范围内的质量分数提供了对异构数据集中图像质量的直观评估。对生成的图像的评估提供了有关特定伪影的详细见解，指导改进生成模型以产生高质量的合成图像。本研究提出了第一种全面评估MRI背景下真实和合成三维医学图像质量的方法，而不依赖于参考图像。

本文旨在解决医学成像中面临的数据稀缺、领域适应和隐私问题，通过训练3D ResNet，提出了一种新的基于深度学习的非参考方法来评估脑MRI质量。

本文的关键思路是通过训练3D ResNet来评估脑MRI图像的质量，并设计了一个扩散模型来生成高保真度的合成3D图像，同时不需要参考图像，可以用于评估深度生成模型。

本文的实验结果表明，该方法在评估失真和反映图像质量方面具有优越性，而且不需要参考图像，可以评估真实和合成3D医学图像的质量。此外，本文的质量评分提供了直观的图像质量评估。

最近的相关研究包括基于深度学习的医学图像分割、超分辨率重建和图像质量评估等方面的研究。