Abstract
超声引导的经皮介入治疗已在临床中得到了广泛应用。针对机器人辅助的超声引导治疗中探头接触力引起软组织形变的问题，提出一种考虑软组织形变的实时无参考超声图像综合评估方法。所提方法在超声图像亮度和锐度评估的基础上，融合组织或腺体的聚集特性设计了一种多维度的超声图像评价指标。为了验证所提方法的有效性，分别采集前列腺体模、内置囊肿的体模、猪肝脏组织，以及内置囊肿的猪肝脏组织4种不同模型的超声图像进行实验测试与分析，并基于斯皮尔曼秩相关系数分析了主客观评价的相关性。实验结果表明单幅图像的平均评估时间为68.8 ms，满足实时应用的需要。本文所提方法实现了机器人辅助治疗中实时超声图像的有效评估，并且评估结果与主观评价具有良好的一致性。
Keywords: 超声图像, 质量评估, 软组织形变, 相关系数
Abstract
Ultrasound guided percutaneous interventional therapy has been widely used in clinic. Aiming at the problem of soft tissue deformation caused by probe contact force in robot-assisted ultrasound-guided therapy, a real-time non-reference ultrasound image evaluation method considering soft tissue deformation is proposed. On the basis of ultrasound image brightness and sharpness, a multi-dimensional ultrasound image evaluation index was designed, which incorporated the aggregation characteristics of the organization. In order to verify the effectiveness of the proposed method, ultrasound images of four different models were collected for experiments, including prostate phantom, phantom with cyst, pig liver tissue, and pig liver tissue with cyst. In addition, the correlation between subjective and objective evaluations was analyzed based on Spearman’s rank correlation coefficient. Experimental results showed that the average evaluation time of a single image was 68.8 milliseconds. The evaluation time could satisfy real-time applications. The proposed method realizes the effective evaluation of real-time ultrasound image quality in robot-assisted therapy, and has good consistency with the evaluation of supervisors.
Keywords: Ultrasound image, Quality assessment, Soft tissue deformation, Correlation coefficient
引言
在医疗外科手术中，经皮介入治疗需要将手术针、超声探头和组织消融设备插入到目标组织处。为了提高治疗的安全性，超声成像技术已应用到手术操作中，并在经皮介入治疗中用于实时可视化[1]。机器人辅助的影像引导技术是使用经过训练的机器人系统操作手术器械，同时利用超声探头反馈组织信息[2]。在图像采集过程中，需调整超声探头与组织接触状态，以获得清晰的超声图像[3]。因此，在机器人辅助的超声引导过程中，对超声图像的质量进行评估很有必要。
根据图像质量评估时是否使用参考图像和如何使用参考图像，客观质量评价方法可分为三类：全参考评估方法、半参考评估方法和无参考评估方法[4-7]。全参考评估利用原始图像的完整信息作为参考，其性能优于半参考评估方法。均方误差和峰值信噪比是其主要的参考指标，广泛应用于图像质量评估中[8]。然而，这两种指标是图像强度的统计量，与人的视觉感知有所差异。因此，Wang等[9]提出基于特征的相似度指数评估图像质量，实验结果表明该方法在各类图像数据库上的性能优于传统的全参考评估方法。半参考评估方法利用原始图像的部分信息进行质量评估。无参考评估方法是在没有参考图像的情况下，对图像的质量进行评估，评估过程中只使用待评价图像的相关信息。在许多实际应用场景中，无法获得完美的参考图像[10]。因此，对无参考质量评估方法展开研究很有必要，它将成为未来医学图像评价的理想方法[11]。
Ye等[12]通过一个包含图像局部特征的可视化编码库捕获图像的复合统计信息，然后计算不同编码出现的概率得到整个图像的差分平均意见评分。Saad等[13]利用贝叶斯推理模型预测提取的图像特征，将计算得到的统计特征作为回归函数的输入来预测图像的质量。上述方法虽然取得了良好的评估结果，但需要处理大量的统计数据，计算效率较低，不适于实时图像采集系统。Mortamet等[14]基于磁共振的空气背景对图像质量进行评估，图像质量等级由人体特征相对于背景大小的比例和噪声强度分布构成，实验结果显示这种方法与参考标准的质量评分一致，但尚未证明适用于其他解剖图像或其他成像方式。Osadebey等[15]以临床试验中的脑和心脏磁共振图像为例，基于可加性线性退化模型的动量守恒特性，从亮度和纹理两个维度对医学图像进行质量评估。无参考评估方法中，图像亮度和锐度是较为广泛的度量标准，具有计算简单、物理意义明确等优点。因此本文采用这两个度量标准对图像进行质量评估。然而在影像引导的机器人经皮介入治疗中，只考虑图像成像质量是不够的。因为在实际的临床病例中，显然近距离探测可获得清晰的图像，但是超声探头与组织接触过近会引起软组织形变。这种现象会降低靶向穿刺的精确度。为了避免这种情况，临床中需要在软组织形变程度最小的前提下获得清晰的超声图像。因此，我们提出一种考虑软组织形变的实时超声图像综合评估方法，可用于机器人辅助影像引导的经皮介入治疗。
1. 考虑软组织形变的超声图像评估
在影像引导的经皮介入治疗中，期望在获得清晰超声图像的同时可以尽量减小组织变形，以提高靶向穿刺精度。因此我们在超声图像亮度和锐度的基础上，融合组织或腺体的聚集特性评估软组织形变程度，设计了一种多维度的超声图像综合评估方法。该方法的流程图如图1所示，主要包括图像亮度评估、锐度评估和软组织形变评估。
图 1.
Ultrasound image quality assessment
超声图像综合评估
1.1. 亮度和锐度评估
医学图像的质量可以通过可测量的物理特性来评估。可测量的物理特性包括视觉属性，例如亮度和锐度。对于图像大小为
的超声图像，其亮度由式(1)计算
 |
1 |
其中，I（i，j）表示图像I在（i，j）处的像素强度。
在医学图像的应用中，图像的细节对于医学诊断至关重要，特别是边缘和纹理。梯度能直接反映图像边缘的灰度变化情况，所以此属性可以描述局部结构和图像内不同结构的细节，并用作测量图像清晰度的度量。Scharr算子[16]计算速度快、精度高，适用于实时图像处理。因此我们采用Scharr梯度算子构造梯度幅值映射。水平方向和垂直方向的偏导数为
 |
2 |
 |
3 |
梯度大小为
 |
4 |
1.2. 软组织形变评估
评价软组织变形程度主要包括基于局部组织特征的软组织形变评估和基于全局图像的软组织形变评估两部分。具体评估方法如下。
1.2.1. 基于局部组织特征的软组织形变评估
基于局部组织特征的组织形变评估方法只关注组织形态变化。因此，对超声图像进行提取前景操作，排除背景特征。对组织变形进行评估时，只考虑包含测试图像组织结构的前景特征。
 |
5 |
式中，
表示从灰度图像中提取的前景图像，T为最大类间方差准则[17]确定的最佳阈值。最佳阈值满足下式：
 |
6 |
其中 
为类间方差，
为类内方差，P为图像所有像素点的灰度值数组。
提取测试图像的前景后，对前景图像中的连通域进行标记和提取，并保留最大连通域，即分割目标组织形状。当组织产生形变时，组织竖直方向的聚集程度会发生变化，因此可以通过观测分割出的组织形状高度变化评估组织形变。
表示含有组织形状的分割图像，
表示分割图像的像素个数，则组织形变可由式(7)表示：
 |
7 |
其中，
为第
个像素的行数，
为分割图像中组织像素点行数的平均值。
1.2.2. 基于全局图像的软组织形变评估
由于超声回波在传播过程中，存在衍射、折射、散射等现象，导致超声图形存在斑点噪声，需要对超声图像的噪声进行处理，避免干扰提取组织特征，以提高评定的准确性。超声图像中斑点噪声表现为像素强度值突变，因此本文所提方法采用形态学算法[18]进行降噪。首先对图像进行腐蚀操作，以消除斑点噪声，如式(8)所示：
 |
8 |
其中，
为腐蚀后的图像矩阵，
是结构元素，
是结构元素的定义域，
是腐蚀运算符。
然后对图像进行膨胀运算，将图像I和结构元素进行卷积运算，填补图像间隙，如式(9)所示：
 |
9 |
其中，
为膨胀后的图像矩阵，
是膨胀运算符。
对图像进行降噪处理后，利用Sobel算子[19]提取组织边缘特征，水平方向和垂直方向的模板为：
 |
10 |
 |
11 |
获得边缘特征提取图像后，根据边缘特征的离散程度评估组织变形，即：
 |
12 |
其中，
为边缘特征提取图像中第t个像素的行数，
为边缘特征提取图像中所有边缘像素点行数的平均值，
为边缘特征提取图像中边缘像素点个数。
1.2.3. 软组织形变评估方法的决策
在对软组织进行形变程度评估前，需要根据超声图像中组织或腺体分布的特点采取不同的评估方法。对于有明显腺体结构的超声图像，采用基于局部组织特征的方法评估组织形变具有更高的灵敏性和区分度。因此，为适用于不同组织结构的超声图形，文中所提的两种软组织形变评估方法将根据式(13)进行决策，即若分割图像满足式(13)，则采用基于局部组织特征的方法评估组织变形，否则采用基于全局图像的方法评估组织变形。
 |
13 |
1.3. 总评价分数
超声图像的总评价分数由亮度分数、锐度分数和组织形变分数三部分组成。将亮度值、锐度值和组织形变值归一化后可得超声图像的总分数为：
 |
14 |
式中，
、
、
分别为亮度值 
、锐度值 
和组织变形值r归一化后的数值，λ1、λ2、λ3分别为亮度分数、锐度分数、组织形变分数所占权重，
和 
分别为超声图像的亮度阈值和锐度阈值，当图像亮度和锐度低于该阈值时，图像中组织或腺体不明显，在给定像素内无法观测组织或腺体轮廓，表明此时超声探头并未与组织充分接触，没有形变产生。因此，这种情况下只考虑超声图像的亮度质量和锐度质量。
2. 超声图像采集
为验证本文所提出的方法的有效性，将彩色多普勒超声系统集成到机器人（安川电机株式会社，日本），通过安装于机械臂末端的超声探头获取超声图像序列，超声探头沿接触面法线方向逐渐靠近或挤压实验对象，超声探头运动的同时分别采集前列腺体模、内置囊肿的体模、猪肝脏组织，以及内置囊肿的猪肝脏组织的超声图像进行评估实验。其中前列腺体模为CIRS公司的前列腺测试体模，透明的丙烯酸容器大小为11.5 cm × 7.0 cm × 9.5 cm，内里包含有精囊和尿道等结构以及3 mm的模拟会阴膜，能够插入各种探头和手术工具，一般用于直肠探头前列腺扫描的验证；猪肝脏组织购于生鲜超市，重量为（
） g，其中内置的囊肿由前列腺体模中的蓝色前列腺模型裁剪制成；内置囊肿的体模购于宁波柳叶刀医疗科技公司，其外观尺寸为15 cm × 12 cm × 6 cm。实验模型的实物图如图2所示。
图 2.
Images of the experimental models
实验模型的实物图
实验过程中，一共采集4组二维超声图像，共计81张。图像大小为1 050 × 720，横向和纵向分辨率为0.18 mm/像素。机器人采集的部分超声图像如图3所示。其中，前列腺体模的图像15张，猪的肝脏组织的图像21张，内置囊肿的猪肝脏组织图像25张，内置囊肿的体模图像20张。图3中的超声图像在测试图像组的编号分别标于图片上方，其中编号为1的超声图像均为每组的首帧图像。
图 3.
Several ultrasound images captured by the robot
机器人采集的部分超声图像
3. 超声图像综合评价实验与分析
3.1. 超声图像客观评价
分别用4组超声图像验证文中提出的超声图像客观评价方法的性能。基于组织在超声图像中的分布特点，猪肝脏组织以及内置囊肿的猪肝脏组织的超声图像的形变评估采用基于全局图像的组织形变评估方法，前列腺体模以及内置囊肿的体模超声图像的形变评估采用基于局部组织特征的组织形变评估方法。
图4是4组实验超声图像的综合评估结果。横轴上图片序号从小到大表示超声探头沿接触面法线方向逐渐靠近或挤压实验对象。图中显示了每张超声图片的亮度分数、锐度分数、软组织形变分数、成像质量分数以及总评价分数。对超声图像进行总评价时，亮度分数、锐度分数、组织形变分数所占权重相等，即
。成像质量分数为不考虑软组织形变程度，只关注图像亮度质量和锐度质量的分数。
图 4.
Objective evaluation scores of the four groups of models
四组实验对象的客观评价分数
计算机配置为Intel Xeon 2.30 GHz 64 位处理器。单幅超声图像评估的平均计算时间为68.8 ms，其中亮度评分平均计算时间3.7 ms，锐度评分平均计算时间26.3 ms，形变评分平均计算时间38.7 ms。单幅图像的最短计算时间为40.7 ms，其中亮度评分3.1 ms，锐度评分24.2 ms，形变评分13.4 ms。每组图像的各评价分数平均计算时间和标准差如表1所示。
表 1. Average evaluation time of ultrasound images (
).
超声图像平均评估时间（
）
| 评估内容 | 前列腺体模 | 体模(内置囊肿) | 肝脏 | 肝脏(内置囊肿) |
| 亮度评估/ms | 3.3 ± 0.26 | 3.6 ± 0.13 | 4.1 ± 0.54 | 3.7 ± 0.16 |
| 锐度评估/ms | 26.1 ± 1.44 | 25.8 ± 6.32 | 27.5 ± 1.37 | 26.0 ± 0.34 |
| 形变评估/ms | 19.5 ± 6.90 | 23.4 ± 6.57 | 57.2 ± 15.44 | 47.7 ± 2.98 |
3.2. 超声图像主观评价
为了评估所提算法的准确性，本文采用客观评价与主观评价的相关性分析进行算法性能评估。每幅超声图像由5名观察者进行评分。观察者为从事医学影像处理研究的研究生，视力和色视觉均正常。每位观察者分别从亮度、锐度（清晰度）和组织变形程度3个维度为超声图像评分，分数区间为0 ~ 100。为了确保主观评分和客观评分在相同范围内，将观察者给出的每个分数都除以100。每位观察者的评分过程独立进行。
对于给定的实验组 
，设 
表示观察者 
对图像 
的评分。将每位观察者给特定超声图像的分数取平均值，可得到评估图像的平均意见得分（mean opinion score，MOS）[20]：
 |
15 |
主观评价实验的平均意见得分仅仅是关于有限数量的个人评级的统计量，并不是精确的测量值[21]。由于平均意见得分是由所有观察者评分值进行算术平均得到，因此潜在地假设了主体的同质性。观察者在参照标准、性格、欣赏水平等方面存在差异，导致他们的评分标准和评分尺度不一致。对于同一组超声图像，评分标准严苛的观察者评分较低，而标准较为宽松的观察者评分较高。相同的分数在不同观察者的评分尺度中所映射的图像质量等级并不相同。因此，需要将不同评分尺度下的分数转换到同一评分尺度中以消除算术平均法潜在的主观误差[22]。设观察者
对一组超声图片的平均评分为：
 |
16 |
若每位观察者的平均评分 
差别比较大，直接采取算术平均会产生较大的主观误差。因此，需要将不同观察者的评分尺度进行统一，即令 
。当评分区间为 
时，具体转换过程如下：
 |
17 |
观察者k对m组中第w张超声图像的分数 
变换为 
：
 |
18 |
此时，m组中第w张超声图像的分数为：
 |
19 |
得到主观评价分数后，利用斯皮尔曼（Spearman）秩相关系数评估主客观评价在不同指标下的相关性。相关系数在0.68 ~ 1.0之间，表明两组数据具有较高的相关性[23]。客观评价和主观评价之间的相关系数可由下式计算：
 |
20 |
式中，
是主观评分和客观评分升序排列后的等级差，
是样本个数，即每组超声图像的图像个数。表2为主观评价和客观评价在不同指标下的斯皮尔曼秩相关系数。
表 2. Spearman rank correlation coefficient of subjective and objective evaluation.
主客观评价的斯皮尔曼秩相关系数
| 指标 | 亮度 | 锐度 | 软组织形变 |
| 前列腺体模 | 0.859 7 | 0.916 9 | 0.941 8 |
| 肝脏 | 0.803 9 | 0.761 0 | 0.876 2 |
| 肝脏(内置硅胶) | 0.883 8 | 0.902 3 | 0.930 5 |
| 体模(内置囊肿) | 0.857 1 | 0.777 4 | 0.970 6 |
从对不同种类超声图像的主客观评价的对比实验看出，我们提出的考虑软组织形变的超声图像综合评估方法与主观评价分数具有良好的一致性。
3.3. 实验结果分析
超声成像在人体解剖学研究、疾病治疗和术中医疗器械跟踪中具有重要作用。随着机器人技术、医学图像处理技术等学科的快速发展，手术机器人成为当前的研究热点。因此本文提出一种考虑软组织形变的无参考超声图像综合评估方法，可以指导由机器人控制的超声探头的运动状态。所提出的综合评估方法主要采用图像亮度、图像锐度以及软组织形变三个指标对超声图像进行综合评估。
在实验测试过程中，分别基于前列腺体模、内置囊肿的体模、猪肝脏组织，以及内置囊肿的猪肝脏组织四种不同的模型对算法进行实验分析，并且计算了算法评估结果与人工评估结果的相关系数。从图4中可以看出，随着机械臂末端的超声探头沿组织法向方向不断前进，图像亮度和锐度都逐渐增加，当这两者评估分数增大到某一数值（Q1 = 0.4，Q2 = 0.4）时，在给定像素内便可以观测到组织或腺体轮廓，则将此刻作为超声探头与组织的初始接触时刻，从此刻之后组织开始发生形变。同时，组织形变分数逐渐减小，表明组织形变程度逐渐增大，变化趋势符合一般规律，表明所提算法可以对组织形变做出准确评估。
利用所提方法对4组超声图像进行综合评估，每组图像中最佳图像的序号分别为12（前列腺体模）、12（内置囊肿的体模）、11（肝脏）、19（内置囊肿的肝脏）。从超声图像成像质量分数以及软组织形变分数的变化趋势可以看出，在这四张图像之后采集到的超声图像，其成像质量并无明显提升，然而组织形变程度却不断增大，在实际应用中，若由于过度追求成像质量而造成组织较大形变，将不利于临床中的靶向穿刺。因此，利用所提算法可以判断出组织或腺体变形程度较小时的高质量超声图像，在成像质量与软组织形变的变化关系中寻求一个合适的接触位置，提高穿刺精度。以上实验结果表明，文中提出的超声图像无参考综合评价方法满足监测超声探头运动过程中的成像质量以及软组织形变程度的任务需求。另外，从表1中可以看出，单幅图像的最短计算时间为40 ms，最长计算时间为88 ms。其中猪肝脏组织和内置囊肿的猪肝脏组织两种实验对象的软组织形变评估时间较长，主要原因是这两种模型所采用的软组织评估方法是基于图像全局的评估方法，数据量较大，因此计算时间较长。在四组模型的实验评估中，所提算法均能在机器人实际应用中实现实时评估。
在软组织形变的评估研究中，Gilchrist等[24]提出基于纹理相关性跟踪软组织的图像位移，然后对软组织变形进行量化，这种方法对于变形较大的软组织评估较为准确，然而计算过程涉及图像强度的微分运算并且需要划分有限元网格，复杂的数据处理不适用于图像质量的实时评估。Mosbech等[25]通过在软组织中注射钢标记物的方法，利用软组织形变模型的统计数据对软组织形变位移进行跟踪，跟踪精度可以达到1.22 mm，但是其需要预先注射钢标记物，临床应用困难。本文所提软组织形变评估方法不需要人工标记，直接依赖于被成像组织的内在结构和组成，可以保持组织的完整性。综上所述，本文算法具有数学上的可操作性，计算快速，能够应用于机器人辅助的手术治疗。
4. 结论
本文提出了一种考虑软组织形变的无参考超声图像综合评估方法。该方法首先计算超声图像的亮度和锐度，并根据亮度值和锐度值判断给定像素内是否能观测到腺体或组织形态。然后，根据图像中组织分布结构，为其匹配相应的评估方法。若组织中存在明显的腺体结构，采用基于局部组织特征的方法评估组织变形，否则采用基于全局图像的方法评估组织变形。最后，基于图像亮度、图像锐度和软组织形变三个指标对超声图像进行综合评估。为了验证所提方法的有效性，通过机器人采集4组不同模型的超声图像，并应用所提方法分析3个指标和总评价分数的变化趋势，实验结果表明该方法适用于机器人辅助的超声引导成像，实现了超声图像的实时质量监控和评估。此外，使用评分尺度归一化后的平均意见分数验证了客观评价的有效性，相关性分析结果表明所提方法与主观评价分数具有良好的一致性。
重要声明
利益冲突声明：本文全体作者均声明不存在利益冲突。
作者贡献声明：李妍负责设计研究方案、实施研究过程、采集整理数据以及文章撰写，夏泽洋负责优化研究方案、完善实验设计以及修订论文，吴晓君负责调研文献以及设计论文框架，熊璟负责获取研究经费、提出研究选题、指导研究方案设计、修订论文以及终审论文。
Funding Statement
国家自然科学基金（62073309）；广东省基础与应用基础研究基金（2022B1515020042）；深圳市科技计划资助项目（JCYJ20210324115606018）
The National Natural Science Foundation of China
References
- 1.Abolhassani N, Patel R, Moallem M Needle insertion into soft tissue: A survey. Med Eng Phys. 2007;29(4):413–431. doi: 10.1016/j.medengphy.2006.07.003. [DOI] [PubMed] [Google Scholar]
- 2.Tang C, Xie G, Omisore O M, et al A real-time needle tracking algorithm with first-frame linear structure removing in 2D ultrasound-guided prostate therapy// 2019 IEEE International Conference on Robotics and Biomimetics. Dali: IEEE. 2019:1240–1245. [Google Scholar]
- 3.Hungr N, Baumann M, Long J A, et al A 3-D ultrasound robotic prostate brachytherapy system with prostate motion tracking. IEEE T Robot. 2012;28(6):1382–1397. doi: 10.1109/TRO.2012.2203051. [DOI] [Google Scholar]
- 4.Dietrich O, Raya J G, Reeder S B, et al Measurement of signal-to-noise ratios in MR images: influence of multichannel coils, parallel imaging, and reconstruction filters. J Magn Reson Imaging. 2007;26(2):375–385. doi: 10.1002/jmri.20969. [DOI] [PubMed] [Google Scholar]
- 5.李国庆, 赵洋, 刘青萌, 等 多层感知分解的全参考图像质量评估. 中国图象图形学报. 2019;24(1):149–158. doi: 10.11834/jig.180438. [DOI] [Google Scholar]
- 6.Ma L, Li S, Zhang F, et al Reduced-reference image quality assessment using reorganized DCT-based image representation. IEEE T Multimedia. 2011;13(4):824–829. doi: 10.1109/TMM.2011.2109701. [DOI] [Google Scholar]
- 7.魏乐松, 陈俊豪, 牛玉贞 基于边缘和结构的无参考屏幕内容图像质量评估. 北京航空航天大学学报. 2019;45(12):2449–2455. [Google Scholar]
- 8.Shiao Y H, Chen T J, Chuang K S, et al Quality of compressed medical images. J Digit Imaging. 2007;20(2):149. doi: 10.1007/s10278-007-9013-z. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 9.Wang Z, Bovik A C, Sheikh H R, et al Image quality assessment: from error visibility to structural similarity. IEEE T Image Process. 2004;13(4):600–612. doi: 10.1109/TIP.2003.819861. [DOI] [PubMed] [Google Scholar]
- 10.周秋月. 基于CNN的无参考人脸图像质量评估. 武汉: 华中科技大学, 2017.
- 11.Chow L S, Paramesran R Review of medical image quality assessment. Biomed Signal Proces. 2016;27:145–154. doi: 10.1016/j.bspc.2016.02.006. [DOI] [Google Scholar]
- 12.Ye P, Doermann D No-reference image quality assessment using visual codebooks. IEEE T Image Process. 2012;21(7):3129–3138. doi: 10.1109/TIP.2012.2190086. [DOI] [PubMed] [Google Scholar]
- 13.Saad M A, Bovik A C, Charrier C Blind image quality assessment: A natural scene statistics approach in the DCT domain. IEEE T Image Process. 2012;21(8):3339–3352. doi: 10.1109/TIP.2012.2191563. [DOI] [PubMed] [Google Scholar]
- 14.Mortamet B, Bernstein M A, Jack C R Jr, et al Automatic quality assessment in structural brain magnetic resonance imaging. Magn Reson Med. 2009;62(2):365–372. doi: 10.1002/mrm.21992. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 15.Osadebey M, Pedersen M, Arnold D, et al Image quality evaluation in clinical research: A case study on brain and cardiac MRI images in multi-center clinical trials. IEEE J Transl Eng Health Med. 2018;6:1800915. doi: 10.1109/JTEHM.2018.2855213. [DOI] [PMC free article] [PubMed] [Google Scholar]
- 16.Pang Ke, Shi Zaifeng, Li Zhao An image quality assessment index based on visual saliency and gradient amplitude for telemedicine application// 2017 4th International Conference on Information Science and Control Engineering. Changsha: IEEE. 2017:172–176. [Google Scholar]
- 17.Moghaddam R F, Cheriet M AdOtsu: an adaptive and parameterless generalization of Otsu’s method for document image binarization. Pattern Recogn. 2012;45(6):2419–2431. doi: 10.1016/j.patcog.2011.12.013. [DOI] [Google Scholar]
- 18.崔少国, 刘东权 使用二维小波收缩法去除弹性成像蠕虫噪声. 生物医学工程学杂志. 2011;28(3):460–464. [PubMed] [Google Scholar]
- 19.Chaple Girish N, Daruwala R D, Gofane Manoj S, et al Sobel operator based edge detection methods for real time uses on FPGA// 2015 International Conference on Technologies for Sustainable Development (ICTSD) Mumbai: IEEE. 2015:1–4. [Google Scholar]
- 20.Streijl R C, Winkler S, Hands D S Mean opinion score (MOS) revisited: methods and applications, limitations and alternatives. Multimedia Syst. 2016;22(2):213–227. doi: 10.1007/s00530-014-0446-1. [DOI] [Google Scholar]
- 21.Delcourt C, Cubeau J, Balkau B, et al Limitations of the correlation coefficient in the validation of diet assessment methods. CODIAB-INSERM-ZENECA Pharma Study Group. Epidemiology. 1994;5(5):518–524. [PubMed] [Google Scholar]
- 22.程淑, 桂林, 冀航 主观评分的归一化算法及误差分析. 高等函授学报(自然科学版) 2007;(5):28–30. [Google Scholar]
- 23.Taylor R Interpretation of the correlation coefficient: a basic review. J Diagn Med Sonog. 1990;6(1):35–39. doi: 10.1177/875647939000600106. [DOI] [Google Scholar]
- 24.Gilchrist C L, Xia J Q, Setton L A, et al High-resolution determination of soft tissue deformations using MRI and first-order texture correlation. IEEE Trans Med Imaging. 2004;23(5):546–553. doi: 10.1109/TMI.2004.825616. [DOI] [PubMed] [Google Scholar]
- 25.Mosbech T H, Ersbøll B K, Christensen L B Quantification and validation of soft tissue deformation// Medical Imaging 2009: Biomedical Applications in Molecular, Structural, and Functional Imaging. Proc. SPIE 7262. Lake Buena Vista: SPIE. 2009:72621D. [Google Scholar]