多标记相似性方法：实现光学显微镜图像质量评估的降参考与可解释性突破

针对光学显微镜图像质量评估(FR IQA)中传统像素比对方法存在与视觉感知不一致、难以解释等问题，研究人员创新性提出多标记相似性(MMSim)方法，通过比较分辨率、信噪比(SNR)、对比度等全局质量标记，实现了可解释的降参考(RR)评估。该方法在去噪优化、焦点选择等应用中表现优异，为生物医学大数据分析提供了可靠工具。

　　

在生物医学研究领域，光学显微镜成像技术正面临"数据爆炸"的挑战。随着高通量显微成像技术的发展，研究人员每天可以轻松获得数百甚至上千张显微图像。然而，如何从这些海量数据中快速筛选出高质量图像，却成为困扰科学家的难题。传统图像质量评估(IQA)方法主要依赖全参考(FR)评估，需要将每张图像与"黄金标准"进行像素级比对，这种方法不仅计算量大，而且评估结果常常与人类视觉感知存在差异，更难以解释具体质量问题所在。

当前主流的评估指标如结构相似性指数(SSIM)、峰值信噪比(PSNR)等，都是基于像素或局部窗口的强度比较。这些方法在评估去噪图像时往往倾向于选择过度平滑的结果，导致重要细节丢失；在比较不同视野(FOV)的图像时，又容易受到图像内容相似度的影响。更关键的是，这些"黑箱"式评估无法告诉研究人员：图像质量究竟差在哪里？是分辨率不足、噪声过高，还是对比度欠佳？

针对这些挑战，研究人员创新性地提出了多标记相似性(MMSim)评估方法。该方法摒弃了传统的像素比对思路，转而提取并比较反映图像质量的8个关键标记：包括傅里叶环相关(FRC)分辨率、信噪比(SNR_σ)、信号均值比(SNR_μ)、高频成分总和(HF_sum)、结构复杂度(SC)、边缘能量比(E_edge)和均方根对比度(C_RMS)等。通过计算每个标记的相似度(SMSim)并综合为整体评分(MMSim)，该方法不仅实现了可解释的质量评估，还能在仅需单个参考图像的情况下完成降参考(RR)评估。

研究采用了多种关键技术方法：利用荧光显微镜去噪数据集(FMD)中的斑马鱼胚胎和牛肺动脉内皮细胞(BPAE)图像；设计早期停止算法优化高斯滤波参数；比较五种去噪方法（均值滤波、中值滤波、高斯滤波、全变分正则化和小波滤波）的性能；通过主成分分析(PCA)筛选最相关的质量标记；使用Pearson线性相关系数(PLCC)和Kendall秩相关系数(KRCC)验证评估指标的可靠性。

在去噪优化研究中，MMSim展现出独特优势。当评估不同强度高斯滤波处理的图像时，传统方法如SSIM倾向于选择过度平滑的结果，而MMSim则能保留更多细节。例如，在处理斑马鱼胚胎图像时，SSIM选择的标准差为1.35像素的强滤波图像，而MMSim则推荐标准差仅0.25像素的适度滤波结果。通过分析各SMSim得分发现，强滤波虽然改善了SNR_σ，但严重损害了HF_sum和FRC等标记，这正是MMSim能够避免过度平滑的关键。

降参考评估能力是MMSim的另一大突破。研究显示，当仅使用单个视野(FOV)的高质量图像作为参考时，MMSim仍能准确评估其他FOV的图像质量，且评分主要反映噪声水平而非内容差异。相比之下，SSIM、PSNR等传统方法评分高度依赖图像内容相似度。这一特性使得MMSim特别适用于大规模研究中，当无法为每个FOV获取参考图像时的质量评估需求。

在焦点选择应用中，研究人员测试了11组BPAE细胞核图像，每组包含7个不同焦平面的图像。通过PCA分析自动筛选出4个最相关的质量标记（高频成分、信号均值比、FRC分辨率和FRC总和），MMSim成功识别出最佳焦平面位置，与视觉判断完全一致。相关分析显示，MMSim与真实离焦距离的相关系数显著高于其他方法。

这项发表在《Research》的研究具有多重重要意义：方法学上，MMSim突破了传统IQA的像素比对范式，开创了基于质量标记的评估新思路；技术上，实现了从FR到RR评估的跨越，解决了大规模显微图像分析的瓶颈问题；应用上，提供的可解释评分有助于指导实验参数优化和算法改进。尤为重要的是，该方法不依赖特定成像模式或样本类型，可广泛应用于各类生物医学成像场景，为高质量数据筛选和FAIR（可发现、可访问、可互操作、可重用）数据管理提供了有力工具。

研究也指出了未来改进方向：计算效率仍有提升空间，可通过并行计算或标记选择优化；对于某些特殊图像处理产生的局部伪影，可能需要结合传统像素级评估。随着人工智能在显微图像分析中的广泛应用，MMSim的可解释性优势将愈发凸显，有望成为连接自动化处理和人类专家判断的重要桥梁。