[发明专利]用于医学图像重建参数寻优的客观图像质量评价方法

说明书

技术领域

本发明属于医学图像处理技术领域，尤其涉及一种用于医学图像重建参数寻优的客观图像质量评价方法。

背景技术

医学图像质量评价，长期以来一直被医生用于评价X-ray、计算机断层成像、核磁共振成像、超声成像等众多模态成像设备的性能优劣。这种评价通常是主观的，称之为主观图像质量评价。另外，单种成像模态还具有不同的重建算法，重建质量的好坏也需要医生进行主观评价，这在进行复杂的重建参数寻优过程中显得费时费力。在这些应用场景中，基于人工智能和机器学习的客观图像质量评价，因计算快速、自动化程度高而凸显了优势。

目前，针对自然图像的客观图像质量评价已经取得了丰硕的研究成果。这是因为自然图像的特点是内容丰富，即语义多种多样，可以有人物、风景、建筑物等；而且失真机理易于辨别，比如JPEG压缩失真具有明显的块效应，高斯模糊失真会产生视觉模糊现象等，据此可以抽象出特定的数学模型用来量化失真程度，从而反映客观质量。这些数学模型包括自然场景统计模型、人眼视觉系统模型等。客观图像质量评价按照对参考图像的依赖程度，可分为全参考、部分参考和无参考三类。部分参考实质是由全参考向无参考过渡的衍生品，这种过渡是一种趋势。一方面，因为精密光学仪器价格昂贵和传输带宽有限，限制了参考图像的获取和传输；另一方面，自然图像本身的复杂语义结构具有规律性，依靠自然场景统计和人眼视觉系统可以发现这种规律，进而形成先验知识，这为摆脱参考图像的束缚实现无参考评价提供了可能。

虽然面向自然图像的客观图像质量评价日趋成熟，但是这些理论和方法却不完全适用于医学图像的客观质量评价，而且面向医学图像的客观图像质量评价大都是无参考的。主要原因包括：一、医学图像的成像方法不同于自然图像，与通过自然光的反射或透射成像有本质区别，因此，自然场景统计模型失去了基础；二、医学图像的语义没有自然图像复杂，尤其是根据不同参数重建后的系列图像，它们的内容几乎一致，因此语义是相同的，失去了统计意义；三、医学图像的参考图像难以获取或者根本不存在，因为医学图像在前期大都以rawdata的形式存在，需要通过处理或重建得到可供显示的医学图像。综合来看，重建的医学图像不具有自然场景统计特性，语义单一，无参考图像。通常，重建算法需要根据重建参数生成一系列重建图像，通过辨别这一系列图像的质量等级便可得到最优参数。通过客观图像质量评价，解决具有相同语义的系列重建图像的质量等级标定问题，将是一种可行且有效的方法。

复杂的语义结构往往是从大量具有不同语义的图像集中训练得到的，但在评价具有相同语义的系列重建图像时却失去了有效性，不能形成用于质量客观评价所需要的先验知识。然而，值得注意的是，主观评价却不受此限制，人眼依然能分辨出系列图像的质量等级。由此可见，人类视觉系统不仅能形成来自不同语义的先验知识，还能形成来自相同语义的先验知识。后者的一种数学解释便是相同语义图像的自相似性，这种自相似性会因为图像受到不同的失真而产生不同程度的丢失。研究和量化自相似性的丢失程度，将有助于评价具有相同语义的系列重建图像的客观质量。

发明内容

本发明的目的是解决具有相同语义的系列重建图像的质量等级标定问题。提供一种用于医学图像重建参数寻优的客观图像质量评价方法。发明立足于人眼视觉系统，充分利用相同语义的图像具有自相似性的特点，提取自相似信息，具体操作过程中为了解决系列重建图像的质量等级标定问题，采用了循环置顶策略并结合质量因子排序方法，得出系列图像的质量等级，取得了良好的图像质量评价效果。

本发明采取的技术方案是：

首先，通过循环置顶的方法，将系列重建图像输入一个基于自相似信息对比的多输入全参考图像质量评价系统中；其次，多输入全参考图像质量评价系统将置顶图像视为失真图像，非置顶图像视为参考图像，得到置顶图像相对众多非置顶图像的一系列客观质量；接着，将获取的系列客观质量取平均值得到置顶图像的质量因子，以此类推得到其它置顶图像的质量因子；最后，通过冒泡排序算法对质量因子进行排序，得到系列重建图像的质量等级。

本发明解决其技术问题所采用的技术方案如下：

步骤(1).输入一组相同语义的重建图像，不失一般性假定有n幅，命名为I_i，i＝1，2，…，n。

步骤(2).将重建图像按照命名下标排成双向循环队列，I₁位于队头，I_n位于队尾，完成I₁的置顶操作；