MedIQA：一种可扩展的基于提示的医学图像质量评估基础模型

医学影像技术的迅速发展突显了对精确且自动化的图像质量评估（IQA）的迫切需求，以确保诊断的准确性。然而，现有的医学IQA方法在跨不同影像模态和临床场景的泛化能力上仍面临挑战。为应对这一问题，我们提出了MedIQA，这是首个面向医学IQA的综合性基础模型，旨在处理图像尺寸、模态、解剖部位和类型等方面的多样性。我们构建了一个大规模的多模态数据集，包含大量人工标注的图像质量评分，以支持该模型的开发。我们的模型集成了一个显著切片评估模块，用于聚焦于具有诊断意义的区域，并采用了一种自动提示策略，将上游物理参数预训练与下游专家标注微调相结合。大量实验表明，MedIQA在多个下游任务中显著优于基线方法，为医学IQA建立了一个可扩展的框架，并推动了诊断流程和临床决策的发展。