《表2 不同IQA方法残差分数的统计显著性》
图4实验结果给出了在本文实验框架下,PR-IQA方法最优的超参数组合为卷积层层数为1,图像块尺寸16×16,卷积核尺寸3×3,卷积核数目30。本文推测由于训练数据集较小,单卷积层CNN模型对于该实验已适用,过深的卷积层会带来过拟合问题,导致方法性能下降。从表1和表2实验结果可以看出,基于单一图像信息输入的BASELINE方法性能劣于经典的FR-IQA算法SSIM、MAD和NR-IQA算法BRISQUE,这是因为CNN获取信息来源单一,难以充分提取CT图像质量相关特征。对比发现本文提出的PR-IQA方法相比BASELINE方法各项性能指标都有显著提升,这得益于PR-IQA方法融合图像恢复算法的先验信息进入网络训练中,多信息融合输入可以帮助CNN更好地提取特征。同时可以观察到PR-IQA方法的性能超越了所有的经典IQA方法,进一步证明了多信息融合输入可以帮助CNN可以更充分地发挥其数据驱动学习模式的优势,体现本文设计的PR-IQA算法的优越性。
图表编号 | XD00193073200 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.20 |
作者 | 高琦、朱曼曼、李丹阳、边兆英、马建华 |
绘制单位 | 南方医科大学生物医学工程学院、、广州市医用放射成像与检测技术重点实验室、南方医科大学生物医学工程学院、、广州市医用放射成像与检测技术重点实验室、南方医科大学生物医学工程学院、、广州市医用放射成像与检测技术重点实验室、南方医科大学生物医学工程学院、、广州市医用放射成像与检测技术重点实验室、南方医科大学生物医学工程学院、、广州市医用放射成像与检测技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |