用于体素CT和MR图像的零样本自动身体区域检测系统
计算机视觉与模式识别
2026-02-10 v1 人工智能
摘要
可靠的解剖学身体区域识别是许多自动化医学成像工作流程的先决条件，然而现有解决方案仍然严重依赖于不可靠的DICOM元数据。当前的解决方案主要使用监督学习，这限制了它们在许多现实场景中的适用性。在这项工作中，我们研究了是否可以通过利用大型预训练基础模型中嵌入的知识，以完全零样本的方式实现体素CT和MR图像中的身体区域检测。我们提出并系统评估了三种无需训练的流水线：（1）一种利用预训练多器官分割模型的分割驱动规则系统；（2）一种由放射科医生定义规则指导的多模态大语言模型（MLLM）；（3）一种结合视觉输入与显式解剖证据的分割感知MLLM。所有方法均在887个具有手动验证解剖区域标签的异质CT和MR扫描上进行评估。分割驱动的规则方法实现了最强且最一致的性能，加权F1分数分别为0.947（CT）和0.914（MR），展示了跨模态和非典型扫描覆盖范围的鲁棒性。MLLM在视觉上独特的区域表现具有竞争力，而分割感知MLLM则揭示了其根本局限性。
引用
@article{arxiv.2602.08717,
title = {Zero-shot System for Automatic Body Region Detection for Volumetric CT and MR Images},
author = {Farnaz Khun Jush and Grit Werner and Mark Klemens and Matthias Lenga},
journal= {arXiv preprint arXiv:2602.08717},
year = {2026}
}
备注
8 pages, 5 figures, 5 tables