第一部分胸部DR影像质量评价指标体系的构建目的胸部数字化摄影（Digital Radiography,DR）是最常见的放射诊断检查,图像质量是影响临床诊断准确性的重要因素。当前人工质量评价存在主观性过强,一致性差,抽样的样本量小等问题。本研究的目的是构建胸部DR影像质量评价指标体系,为图像质量评价提供客观参考依据,同时为构建自动化的胸部DR影像质控系统提供评价依据。方法通过文献复习、专家咨询等方式,形成包括布局、摆位、灰阶、锐度、异物等5个维度的胸部DR影像质量（image quality of chest DR,IQ-CDR）评价指标知识库;通过6名放射医生对300张胸部DR影像的3轮评价,以及专家论证形式,形成由5个一级指标、20个二级指标构成的IQ-CDR评价指标体系;通过10名放射专家对1138张胸部DR影像布局、摆位、灰阶、锐度和整体质量进行基于先验知识的主观评价,比较布局、摆位、灰阶、锐度等4个维度与整体IQ-CDR的相关性,通过测量布局、摆位、灰阶、锐度的量化指标参数,利用多元线性回归方程分析IQ-CDR评价指标体系和专家主观评价的相关性,构建完成IQ-CDR量化评价指标体系。结果形成了 5个一级指标（布局、摆位、灰阶、锐度、异物）和20个二级指标构成的胸部DR影像质量评价指标体系。皮尔逊相关性分析显示,布局、摆位、灰阶、锐度等4个维度与整体IQ-CDR的相关性分别为0.59、0.62、0.95和0.94。布局和摆位的10个二级定量指标与专家主观评分的相关性均有统计学意义（P＜0.05）,灰阶、锐度所测量的二级函数指标与主观评分之间相关性较小,没有明显临床意义。逐步回归法显示布局、摆位的10个指标均有统计学意义,分别构建了布局和摆位的多元线性回归方程。结论本研究构建了胸部DR影像“布局”、“摆位”、“灰阶”、“锐度”、“异物”共5个维度的影像质量评价指标体系,具有较好的系统性、全面性和多维性,构建的量化指标体系,反映了图像质量评价过程中的重点所在,可以为图像质量评价提供客观参考。第二部分基于深度学习构建胸部DR影像质量智能评价系统目的人工质控是一项主观性过强,且低效耗时的工作。传统的图像质量自动提取算法无法充分反映放射专家对图像的主观感知。深度学习（Deep Learning,DL）算法能够自动地学习数据各个层次的抽象特征,从而更好地反映数据的本质特征。基于第一部分构建的成人后前位胸部DR影像的全维度质评指标体系,本研究的目的是基于深度学习算法构建胸部DR影像自动化质评系统,并验证其性能。方法对三家医疗中心PACS数据库进行筛选,使用第一部分研究的评价数据集（n=1138）,开发了两个深度学习模型:（a）基于ResNet-34的布局、摆位定量指标参数自动测量模型,与第一部分研究中的多元线性回归模型组成自动质量评价系统,（b）基于CaHDC-RGA神经网络框架的灰阶、锐度无参考评分模型。使用手工标注的异物数据集（n=5567）开发了（c）基于Faster R-CNN的异物自动化检测模型。在测试阶段,使用组内相关系数（ICC）、皮尔逊相关系数（r）、平均绝对差（MAD）、平均绝对百分比误差（MAPE）、AUC值、敏感性和特异性对深度学习模型的性能进行评价。结果与放射医师手工测量相比,布局、摆位模型对各项定量指标的测量表现出高度一致性（ICC=0.82～0.99,r=0.69～0.99,MAD=0.01～2.75）,与专家评分相比,自动评价系统对布局和摆位的评分预测均显示出较小的差异（MAPE=3.05%,MAPE=5.72%）。灰阶、锐度模型在质量评分预测与放射专家的评分之间具有高度一致性（灰阶:ICC=0.92,r=0.91,MAD=0.45;锐度:ICC=0.90,r=0.89,MAD=0.44）。在图像质量二分类上模型表现出高度的准确性（灰阶AUC=0.973,锐度AUC=0.970）。异物检测模型的异物检测敏感性为93.20%,特异性为92.63%,F1分数为0.94,AUC值=0.97。对肺野内和肺野外的异物的召回率分别为91.20%和89.02%。对男性和女性患者胸片的异物召回率分别为87.31%和90.04%。对于不同的年龄分段,异物检测召回率分别为92.67%（18～38岁）、88.12%（39～58 岁）、82.67%（59～78 岁）、83.33%（79 岁以上）。结论基于深度学习算法构建了胸部DR影像质量评价系统,包含3个深度学习模型,（a）布局、摆位模型用于自动测量定量指标和质量评分预测,（b）灰阶、锐度模型用于图像质量评分预测和二分类,（c）异物检测模型用于对异物进行检测和定位,与人工比较,开发的深度学习模型均有较高的性能表现。