基于深度学习的MRI与CT检查身体部位分类
图像与视频处理
2023-03-14 v2 计算机视觉与模式识别
机器学习
摘要
对单幅图像进行标准化身体部位标注可提供改进人与计算机使用医学图像的数据。我们开发了一个基于CNN的分类器以识别CT和MRI中的身体部位。为分类任务定义了覆盖整个人体的17个CT（18个MRI）身体部位。我们构建了三个回顾性数据库用于AI模型训练、验证与测试，各身体部位的研究分布均衡。测试数据库来自不同的医疗网络。评估了分类器在患者年龄、患者性别、机构、扫描仪制造商、对比剂、层厚、MRI序列和CT卷积核方面的准确率、召回率与精确率。数据包含回顾性队列的2,934例匿名CT病例（训练：1,804项研究，验证：602项研究，测试：528项研究）和3,185例匿名MRI病例（训练：1,911项研究，验证：636项研究，测试：638项研究）。来自初级保健医院、社区医院和影像中心的27家机构贡献了测试数据集。数据包含各性别比例相等的病例以及年龄从数月到90岁以上的受试者。图像级预测准确率CT为91.9%（90.2-92.1），MRI为94.2%（92.0-95.6）。分类结果在所有身体部位与混杂因素上均稳健。由于数据有限，10岁以下受试者的性能结果无法可靠评估。我们表明深度学习模型可按身体部位（包括上下肢）对CT和MRI图像进行高精度分类。
引用
@article{arxiv.2104.13826,
title = {Deep Learning Body Region Classification of MRI and CT examinations},
author = {Philippe Raffy and Jean-François Pambrun and Ashish Kumar and David Dubois and Jay Waldron Patti and Robyn Alexandra Cairns and Ryan Young},
journal= {arXiv preprint arXiv:2104.13826},
year = {2023}
}
备注
21 pages, 2 figures, 4 tables