[论文解读] CAP-IQA: Context-Aware Prompt-Guided CT Image Quality Assessment

Kazi Ramisa Rifa, Jie Zhang+1 more|arXiv (Cornell University)|Jan 4, 2026

COVID-19 diagnosis using AI被引用 0

一句话总结

CAP-IQA 结合医学文本先验、实例级上下文提示和因果去偏，预测 CT 图像质量，在 LDCTIQA 2023 上实现了最优相关性并在大规模儿科 CT 数据集上展示了泛化能力。

ABSTRACT

Prompt-based methods, which encode medical priors through descriptive text, have been only minimally explored for CT Image Quality Assessment (IQA). While such prompts can embed prior knowledge about diagnostic quality, they often introduce bias by reflecting idealized definitions that may not hold under real-world degradations such as noise, motion artifacts, or scanner variability. To address this, we propose the Context-Aware Prompt-guided Image Quality Assessment (CAP-IQA) framework, which integrates text-level priors with instance-level context prompts and applies causal debiasing to separate idealized knowledge from factual, image-specific degradations. Our framework combines a CNN-based visual encoder with a domain-specific text encoder to assess diagnostic visibility, anatomical clarity, and noise perception in abdominal CT images. The model leverages radiology-style prompts and context-aware fusion to align semantic and perceptual representations. On the 2023 LDCTIQA challenge benchmark, CAP-IQA achieves an overall correlation score of 2.8590 (sum of PLCC, SROCC, and KROCC), surpassing the top-ranked leaderboard team (2.7427) by 4.24%. Moreover, our comprehensive ablation experiments confirm that prompt-guided fusion and the simplified encoder-only design jointly enhance feature alignment and interpretability. Furthermore, evaluation on an in-house dataset of 91,514 pediatric CT images demonstrates the true generalizability of CAP-IQA in assessing perceptual fidelity in a different patient population.

研究动机与目标

• 推动自动化评估 CT 图像质量，使其能反映放射科医生在现实 degradations 下的诊断判断。
• 提出将文本医学先验与图像特定上下文提示相结合的 CAP-IQA 框架。
• 通过因果去偏和动态跨提示注意力来缓解提示偏差。
• 在 LDCTIQA 2023 和内部儿科 CT 数据集上展示更高的可靠性和泛化能力。

提出的方法

• 使用文本分支对医学先验进行编码，基于冻结的 PubMedBERT 的提示嵌入。
• 通过 CNN 编码器处理 CT 图像，产生瓶颈特征图和汇聚的视觉特征 f。
• 通过 MLP 从 f 派生得到 L 个条件上下文提示 c′，形成实例自适应提示 π。
• 应用动态跨提示注意力（DCPA）融合视觉与提示特征，生成融合表示。
• 将 DCPA 的输出与编码器特征进行融合并回归得到 CT IQA 分数，缩放到 [0,4]。
• 使用以医生分级为真值的均方误差损失进行训练。

实验结果

研究问题

• RQ1 由提示引导的文本医学先验是否能有效与面向图像的上下文提示融合，以预测 CT IQA？
• RQ2 与仅视觉或仅文本基线相比，动态跨提示注意力是否能更好地与放射科医生分数对齐？
• RQ3 CAP-IQA 在跨机构与人群（如儿科 CT 数据）上的泛化能力如何？

主要发现

• CAP-IQA 在 LDCTIQA-test 上取得最高整体分数（s = 2.8590），相关系数 r = 0.9866， ρ = 0.9775， τ = 0.8949。
• CAP-IQA 比 LDCTIQA 顶级排行榜团队（s = 2.7427）高出 0.1163，整体相关性提升约 4.24%。
• 消融研究显示基于上下文的融合和 DyT 归一化相对于替代方法具有优势。
• CNN 编码器搭配 PubMedBERT 文本编码器在评估的架构中表现最佳。
• 在内部儿科 CT 数据集（91,514 张图像）上的评估支持 CAP-IQA 对不同人群的泛化能力。