综述：CT扫描中诊断图像质量的客观评估：放射科医师和研究人员须知

这篇综述系统梳理了CT成像中超越传统方法的先进客观无参考图像质量（IQ）评估技术，重点探讨了噪声、对比度、空间分辨率等关键参数的自动化（如GNL、GNI）和人工智能（AI）评估方法，为优化辐射剂量与诊断质量平衡提供了重要工具。

　　

背景

计算机断层扫描（CT）通过三维可视化技术革新了医学影像领域，但伴随的辐射暴露问题促使研究者不断寻求图像质量（IQ）与辐射剂量的最佳平衡点。传统主观评估方法存在观察者间变异性和疲劳问题，而常规客观指标（如ROI-based SNR/CNR）难以全面捕捉诊断需求。这推动了无参考（reference-free）IQ评估技术的发展，其仅依赖图像固有属性进行分析，无需预设参考图像。

方法学进展

噪声评估

从手动测量局部噪声功率谱（NPS）到全自动技术，研究呈现明显进化轨迹：

• 全局噪声水平（GNL）：通过组织阈值分割识别均匀区域，以像素标准差直方图的众数作为噪声指标，适用于腹部扫描
• 切片差分法：通过相邻切片相减消除解剖结构，在空气区域测量噪声（如Malkus方法），实现解剖非依赖性评估
• AI驱动方案：卷积神经网络（CNN）基于体模数据训练，可生成像素级噪声图（如Ketola胸部CT模型），但需解决跨部位泛化难题

对比度评估

突破传统ROI限制的创新方法包括：

• 全容积直方图分析：通过HU值分布峰谷特征量化组织对比差异（Jeukens方法）
• 模板匹配技术：在CTA中自动定位主动脉ROI（Pallenberg方案），但受解剖变异影响较大

空间分辨率

评估技术从人工描记向自动化发展：

• 边缘锐利度测量：通过颅骨、血管等结构的边缘扩展函数（ESF）斜率计算（如Korn的颅脑CT研究）
• 皮肤-空气界面法：自动分割体表后分析界面处ESF特性（Sanders CT分辨率指数）

前沿方向

任务特异性方法成为新趋势：

• 可检测性指数：整合噪声、分辨率与任务函数（如Smith的肝脏病变检测模型）
• AI整体评估：自监督学习框架（Lee方案）可模拟放射科医师的感知质量评价
• 多参数融合：亟待开发综合噪声、对比度、分辨率的单一IQ评分体系

挑战与展望

当前限制主要体现在：

1. 算法依赖精准分割，异常解剖易导致失败
2. AI模型需要大规模标注临床数据
3. 缺乏标准化验证框架
   未来应重点发展：

• 实时IQ反馈系统集成至扫描流程
• 跨机构数据共享提升AI鲁棒性
• 建立基于诊断任务的客观金标准

结论

从手动ROI分析到AI驱动的全自动评估，CT图像质量量化技术正经历范式转变。尽管尚未形成普适性解决方案，但现有方法已为剂量优化和质控体系建设奠定基础，最终目标是将智能评估模块深度整合至影像链，实现个性化扫描协议制定。