GAN在核医学图像生成中的评估指标与应用

1. GAN在核医学图像生成中的评估体系解析

在核医学影像领域，生成对抗网络(GAN)正逐步改变传统图像处理流程。以PET衰减校正为例，常规方法需要同步获取CT扫描（ACCT）进行组织衰减校正，而深度学习技术可以直接从非衰减校正PET（NAC PET）生成伪ACCT图像，进而实现端到端的衰减校正（PET_DLASC）。这种技术突破带来一个核心问题：如何科学评估生成图像的质量？这不仅关系到算法优化方向，更直接影响临床应用的可靠性。

2. 基础评估指标深度解读

2.1 像素级误差指标

2.1.1 平均绝对误差(MAE)

MAE通过计算每个像素点的绝对差异并取平均，反映整体偏差程度。在8位灰度图像中，MAE=5意味着平均每个像素有5个灰度级的偏差。其计算过程简单直观：

python复制def calculate_mae(gt_img, gen_img):
    return np.mean(np.abs(gt_img - gen_img))

注意：MAE对异常值不敏感，当生成图像存在局部严重失真但面积较小时，MAE可能仍然表现良好，这是其作为评估指标的局限性。

2.1.2 均方根误差(RMSE)

通过对大误差赋予更高权重，RMSE能有效捕捉图像中的显著失真。在医学影像中，一个区域的严重伪影比整体轻微模糊更具临床危害性。其数学本质是L2范数的标准化形式：

python复制def calculate_rmse(gt_img, gen_img):
    mse = np.mean((gt_img - gen_img)**2)
    return np.sqrt(mse)

临床案例显示，当PET图像中出现放射性示踪剂异常浓聚的假阳性伪影时，RMSE会比MAE更敏感地反映这种错误。

2.2 感知质量指标

2.2.1 峰值信噪比(PSNR)

虽然PSNR在传统图像处理中广泛应用，但在医学图像评估中需谨慎对待。其核心问题在于：高PSNR可能对应着过度平滑的图像。例如，在肝脏病灶检测中，一个模糊但PSNR高的图像可能丢失了关键的微小病灶信息。

PSNR计算中的MAX值设定直接影响结果。对于16位DICOM格式的PET图像，MAX应为65535而非255：

pytho复制