学术报告：CT扫描去噪性能评估中自然图像质量评估器（NIQE）的应用研究

作者及发表信息

本研究由Rudy Gunawan（斯威本科技大学科学与工程技术学院）、Yvonne Tran（麦考瑞大学健康创新研究所）、Jinchuan Zheng、Hung T. Nguyen和Rifai Chai（均为斯威本科技大学成员）合作完成，发表于2023年IEEE医学与生物工程学会国际年会（EMBC），论文标题为《Implementing Natural Image Quality Evaluator for Performance Indicator on Noise Artefacts Recovery in CT Scan》。

学术背景

研究领域与动机
CT扫描（尤其是低剂量CT/LDCT）是癌症早期筛查的重要手段，但降低辐射剂量会导致图像噪声增加，进而影响诊断准确性（如一项研究显示，53,454例患者中仅24.2%的癌症被正确识别）。传统去噪方法（如卷积神经网络/CNN）的性能评估主要依赖峰值信噪比（PSNR, Peak Signal-to-Noise Ratio）和结构相似性指数（SSIM, Structural Similarity Index），但两者需依赖参考图像，且对非均匀噪声（如肌肉与肺部组织的噪声模式差异）的评估存在局限性。为此，本研究提出将自然图像质量评估器（NIQE, Natural Image Quality Evaluator）——一种无参考（blind）图像质量评估方法——引入CT去噪评估体系，以补充PSNR和SSIM的不足。

技术基础
NIQE最初用于自然图像质量评估，其核心是通过图像块（patch）的统计偏差（如高斯分布建模、均值减对比度归一化/MSCN）量化图像与理想模型的偏离程度。本研究首次将其应用于医学CT图像，重点探讨NIQE的两个关键参数——块大小（patch size）和锐度阈值（sharpness threshold）对评估结果的影响，并与PSNR/SSIM进行对比验证。

研究流程与方法

1. 数据准备与模型选择

• 数据集：来自癌症影像存档库（TCIA）的LDCT数据集，包含原始CT图像和模拟噪声的投影数据（噪声模拟误差约6%）。
  
• CNN模型：对比三种去噪模型——U-Net、Red-Net和双层U-Net（Double U-Net/DU-Net），其中DU-Net通过增加层数显著提升性能（PSNR提高10.61，SSIM提高0.00962，均排名第一）。
  
• 测试样本：44张随机选取的图像（含噪声图像、去噪图像和标准剂量图像），后续扩展至78张以验证结果稳定性。
  

2. NIQE参数优化实验

• 参数组合：测试63种参数组合，块大小从16×16至112×112（步长16），锐度阈值从0.1至0.9（步长0.1）。
  
• 评分逻辑：NIQE分数越低表示图像质量越接近理想模型，改进分数（NIQEim）为噪声图像与去噪图像的分数差值（仅保留正值以避免负改进误导）。
  
• 关键发现：
  
  • 小尺寸块（如16×16）在多数阈值下表现最佳，尤其当阈值设为0.8时，DU-Net的归一化分数（0.7325）最接近PSNR（0.7713）和SSIM（0.9223）。
    
  • 大尺寸块（如48×48或96×96）仅在特定阈值下有效，但分数差异较小（如48×48-0.8得分为0.6401），表明其对非均匀噪声的适应性较差。
    

3. 多评估器一致性验证

• PSNR/SSIM验证：DU-Net在两次测试中均排名第一，且与第二名的差距显著（PSNR差约0.55，SSIM差约0.0002），验证了数据集和评分方法的可靠性。
  
• NIQE与PSNR/SSIM的相关性：通过归一化分数（公式7）比较，发现NIQE在特定参数下（如16×16-0.8）与PSNR/SSIM的评估趋势一致，但需依赖后者辅助校准。
  

主要结果与逻辑链条

1. DU-Net的优越性：双层结构通过增加网络深度（如跳跃连接和卷积层数）显著提升去噪效果，PSNR和SSIM改进分数分别达10.61和0.00962（表I、II）。
   
2. NIQE的参数敏感性：块大小和锐度阈值的选择直接影响评估结果。小尺寸块（16×16）能更精准捕捉局部噪声特征（如肺部组织的弱条纹噪声），而阈值0.8可过滤低锐度区域，避免干扰（表III、IV）。
   
3. 评估器协同作用：NIQE提供无参考评估视角，但需结合PSNR/SSIM以避免误判（如负改进分数）。三者联合可构建更全面的性能指标矩阵（表V）。
   

结论与价值

科学意义
- 方法学创新：首次将NIQE应用于医学CT去噪评估，拓展了无参考评估器在专业领域的适用性。
- 参数指导：明确了NIQE在CT图像中的最佳参数组合（16×16块大小+0.8阈值），为后续研究提供标准化参考。

应用价值
- 临床辅助：通过多评估器联合优化，可更准确地筛选去噪算法，提升LDCT的诊断可靠性。
- 技术扩展：研究框架可推广至其他盲评估器（如PIQE、BRISQUE）或不同噪声密度（如辐射剂量分级）的探索。

研究亮点

1. 跨领域方法迁移：将自然图像评估器NIQE成功迁移至医学影像，解决了PSNR/SSIM依赖参考图像的局限。
   
2. 参数化深度分析：通过63种参数组合的系统测试，揭示了NIQE在CT图像中的最佳配置。
   
3. 多模态验证：结合传统（PSNR/SSIM）与新兴（NIQE）评估方法，构建了更鲁棒的算法性能指标体系。
   

未来方向

• 探索非16倍数的块大小（如20×20）及更大尺寸（>112×112）的适用性。
  
• 测试其他盲评估器（如PIQE）在CT去噪中的表现，进一步丰富评估维度。