超声图像的质量是医学超声成像设备和图像处理算法优良性的重要指标,其评价方法具有重要的应用价值,但由于图像质量的评价主观性强,目前并没有统一的评价标准。本文对基于卷积神经网络(convolutional neural network,CNN)的医学超声图像质量评价进行了尝试研究,利用构建的CNN模型模拟专业医生对超声图像质量的评价过程,通过模型的客观评价达到与医生主观评价一致的目的。本文在分析医学超声图像质量评价的研究背景、意义和现状的基础上,对CNN在光学图像质量评价领域中的应用做了简要介绍,并尝试将其应用于医学超声图像的质量评价中。本文的主要工作:超声图像数据库的建立、三种用于超声图像质量评价CNN模型的训练、数据实验与分析。首先,收集高质量医学超声图像,经过人工降质后得到包含1063幅原始超声图像数据库;经医生评价、分数处理、异常值筛选和分数分布平衡后,将478幅带有主观分数标签值的超声图像作为训练和测试样本;在建立数据库的基础上,利用超声图像对浅层CNN网络、深层CNN网络以及调整结构的残差网络分别进行了训练,建立了图像质量评价模型。此外,通过迁移学习将基于自然图像训练的网络用于超声图像的质量评价。在测试中,模型的预测分数与主观质量分数的线性相关系数达到0.832,斯波尔曼秩相关系数达到0.797,该结果远优于峰值信噪比、结构相似度指数等与主观感受一致性差的传统评价方法。本文的研究表明卷积神经网络对于超声图像主观质量评价的学习是可行且有效的,并有望在后续研究中达到实际应用的目的。