要約
画質評価（IQA）アルゴリズムは、人間の画質に対する知覚を再現することを目的としている。画像補正・生成・復元モデルの人気が高まるにつれ、その性能を評価するための多くの手法が開発されました。しかし、ほとんどのIQAソリューションは、一般的な領域での画質予測を目的としており、医用画像などの特定領域への適用性には疑問が残ります。また、これらのIQAメトリクスの選択には、人手によるノイズの付加や人工的なぼかしなど、意図的に歪みを誘発することが一般的であるが、選択されたメトリクスは実際のコンピュータビジョンモデルの出力判定に利用されている。本研究では、磁気共鳴画像（MRI）のIQA評価について、これまでで最も大規模な研究（14,700人の主観スコア）を実施し、これらのギャップを埋めることを目指す。MRIに関連する問題（スキャン加速度での画像再構成、動き補正、ノイズ除去など）を解決するために学習させたニューラルネットワークモデルの出力を使用する。再構成された画像に対する放射線科医の認識を反映させることに重点を置き、MRIスキャンの品質に関して診断上最も影響力のある基準であるS/N比、コントラスト/N比、アーチファクトの有無を測定しています。訓練された7人の放射線技師がこれらの歪んだ画像を評価し、その結果を35種類の画質メトリクス（完全参照、無参照、分布ベースのメトリクスを考慮）と相関させました。その結果、DISTS、HaarPSI、VSI、FID-VGG16が、提案された3つの品質基準において、検討されたすべての解剖学とターゲットタスクに対して効率的であることが分かった。
要約(オリジナル)
Image quality assessment (IQA) algorithms aim to reproduce the human’s perception of the image quality. The growing popularity of image enhancement, generation, and recovery models instigated the development of many methods to assess their performance. However, most IQA solutions are designed to predict image quality in the general domain, with the applicability to specific areas, such as medical imaging, remaining questionable. Moreover, the selection of these IQA metrics for a specific task typically involves intentionally induced distortions, such as manually added noise or artificial blurring; yet, the chosen metrics are then used to judge the output of real-life computer vision models. In this work, we aspire to fill these gaps by carrying out the most extensive IQA evaluation study for Magnetic Resonance Imaging (MRI) to date (14,700 subjective scores). We use outputs of neural network models trained to solve problems relevant to MRI, including image reconstruction in the scan acceleration, motion correction, and denoising. Our emphasis is on reflecting the radiologist’s perception of the reconstructed images, gauging the most diagnostically influential criteria for the quality of MRI scans: signal-to-noise ratio, contrast-to-noise ratio, and the presence of artifacts. Seven trained radiologists assess these distorted images, with their verdicts then correlated with 35 different image quality metrics (full-reference, no-reference, and distribution-based metrics considered). The top performers — DISTS, HaarPSI, VSI, and FID-VGG16 — are found to be efficient across three proposed quality criteria, for all considered anatomies and the target tasks.
arxiv情報
| 著者 | Segrey Kastryulin,Jamil Zakirov,Nicola Pezzotti,Dmitry V. Dylov |
| 発行日 | 2022-07-01 12:17:59+00:00 |
| arxivサイト | arxiv_id(pdf) |