在CT扫描中使用深度学习进行自动身体区域分类
Morteza Golzan1, Hyunwoo Lee2, Telex M N Ngatched3
1Faculty of Engineering & Applied Science, Memorial University of Newfoundland, St. John's, NL, Canada. smgolzan@mun.ca.
Journal of imaging informatics in medicine
|September 27, 2025
概括
深度学习在计算机断层扫描 (CT) 中准确地分类解剖区域,改善医学成像工作流程. 在CT扫描中这种自动化的身体部位分类提高了诊断效率和临床环境中的一致性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 在计算机断层扫描 (CT) 中精确的解剖区域分类对于医学成像分析至关重要.
- 现有的方法可能面临着成像协议和患者人口统计学变化的挑战.
研究的目的:
- 为了证明深度学习 (DL) 算法的高性能,从CT扫描中对全身部位进行分类.
- 评估DL在各种CT数据集中的自动化身体区域分类的有效性.
主要方法:
- 在45个医疗中心的5485个匿名CT扫描上训练了一个深度学习模型.
- 扫描被分为六个不同的身体区域类别 (胸部,腹部,骨盆和组合).
- 数据集被分为培训 (3290),验证 (1097) 和测试 (1098) 集.
主要成果:
- DL模型实现了高性能指标:97.53%的准确性,97.56%的精度,97.6%的回忆率和97.56%的F1分数.
- 该模型在各种采集协议和患者人口统计数据中显示出稳健性.
- 该分类涵盖了六个全身区域,包括胸部,腹部和骨盆.
结论:
- 深度学习模型显示了在CT扫描中自动化身体区域分类的巨大潜力.
- 这种方法可以提高临床放射学工作流程的诊断效率和一致性.
- 这项研究强调了DL在高精度注释CT图像方面的优势.
