编辑推荐：
CT 图像质量准确评估对保障诊断准确性等至关重要，临床常缺乏高质量参考图像，需发展 NR-IQA 方法。研究人员利用含噪声和模糊双退化因子数据集训练 CNN 模型，结合 RadImageNet 预训练模型，结果显示预测与主观评分具正相关性，ResNet50 表现最佳，为 CT-NR-IQA 提供新途径。
计算机断层扫描（CT）图像质量的精准评估对于确保诊断准确性、优化成像协议以及避免过度辐射暴露至关重要。在临床场景中，高质量参考图像往往难以获取，因此开发无参考图像质量评估（NR-IQA）方法不可或缺。近年来，基于深度学习的 CT-NR-IQA 方法虽已得到广泛研究，但在处理多种退化因素并准确反映真实世界退化情况方面仍面临显著挑战。为解决这些问题，研究提出一种新颖的 CT-NR-IQA 方法。该方法利用结合噪声和模糊两种退化因素的数据集，训练能够处理多种退化因素的卷积神经网络（CNN）模型。此外，研究借助 RadImageNet 预训练模型（ResNet50、DenseNet121、InceptionV3 和 InceptionResNetV2），使模型能够从大规模真实临床图像中学习深层特征，从而增强对真实世界退化的适应性，而无需依赖人工退化图像。研究通过测量人工退化和真实临床图像数据集的主观评分与预测图像质量评分之间的相关性来评估模型性能。结果表明，两个数据集的主观评分与预测评分之间均存在正相关。特别是 ResNet50 表现最佳，其对人工退化图像的相关系数为 0.910，对真实临床图像的相关系数为 0.831。这些发现表明，所提出的方法有望成为 CT-NR-IQA 中主观评估的潜在替代方案。
