目的 在医学影像的评估中，传统的方法如主观评价和依据信噪比（SNR）及对比噪声比（CNR）的客观评价往往受到评价者经验的限制，且无法全面准确地反映图像的质量。为解决以上问题，本研究旨在通过机器学习技术构建计算机断层扫描肺动脉造影（CTPA）的图像质量客观评价模型，更准确地预测主观评价结果。

方法 本研究采用了回顾性分析的方法，收集了2022年3月至2023年1月间在徐州医科大学附属医院进行CTPA检查的100例患者数据，此外还包括FUMPE数据集的20例和CAD-PE数据集的30例，总计150例。整合后的数据集依据7:3的比例，随机划分为训练集（105例）和测试集（45例）。研究中涵盖了11个特定的感兴趣区域（ROI），包括肺动脉主干、左右肺动脉主干、左右肺下叶远端动脉、上腔静脉、升主动脉、左右肺静脉主干、左心房、主支气管以及背阔肌，并测量了这些区域的CT值及其标准差（SD值）。两位具有超过五年CTPA诊断经验的资深放射科医生在标准化屏幕条件下独立进行图像的随机匿名评价，并给出图像质量的主观评分。通过组间相关性分析，采用主观评分的平均值作为模型输出的主观质量评分（MOS）。结合Lasso算法和Pearson相关系数进行特征筛选，并采用线性回归、随机森林等多种方法建立CTPA图像质量的客观评价模型。模型的效能通过均方误差（RMSE）、决定系数（R2_score）、皮尔森相关系数（PLCC）、斯皮尔曼秩相关系数（SRCC）以及肯德尔相关系数（KRCC）进行评价。

结果 特征筛选结果显示，肺动脉主干的CT值、升主动脉的CT值，以及右肺动脉主干与左肺动脉主干噪声值之间的差异是影响模型预测的关键因素。采用的机器学习模型，尤其是随机森林模型，在预测CTPA图像质量方面表现出了高度的准确性和效率，显著超越了传统的SNR和CNR方法。在随机森林模型中，其RMSE、R2_score、PLCC、SRCC、KRCC分别达到了0.45、0.67、0.87、0.87、0.74。这些性能指标均明显优于其他模型和传统的评价指标。

结论 本研究成功构建了基于机器学习的CTPA图像质量客观评价模型，该模型能够客观反映和预测传统的主观评价结果，真实准确地揭示CTPA图像的质量水平，有助于标准化医学影像评价过程。