《European Radiology》：Topogram-based anatomical labelling of CT series: anatomy-aware CT data processing using deep learning
编辑推荐：
本研究提出一种快速图像数据分析（Rapid Analysis and Processing of Image Data，RAPID）框架，该框架将基于深度学习（deep learning，DL）的CT定位像（topogram）分析与DICOM空间几何相结合，以
本研究提出一种快速图像数据分析（Rapid Analysis and Processing of Image Data，RAPID）框架，该框架将基于深度学习（deep learning，DL）的CT定位像（topogram）分析与DICOM空间几何相结合，以实现对CT序列可靠的解剖学标注，且不受不一致的文本元数据影响。在这项单中心回顾性研究中，研究人员训练了构成RAPID框架的三个基于YOLOv8的模型用于CT定位像，以执行全局解剖学分类、身体区域检测和标志点检测。分类任务使用83207张定位像（20802张测试集），而标志点和身体区域检测模型分别基于2000张（500张测试）和1926张（481张测试）于2003至2022年间收集的定位像进行训练。模型性能采用F1分数和mAP50评估，并在外部队列上进行了额外验证。此外，三名放射科医师使用基于Likert量表的临床评估及评分者间一致性，独立审查了150个随机选择的检测模型预测结果。在纳入训练和测试的共计65250例患者中（中位年龄62岁；四分位距23；44%女性），推理性能在分类任务上取得内部总体F1分数0.920、外部0.970。身体区域和标志点检测的内部mAP50分别为0.993和0.958，对应F1分数分别为0.996和0.957；外部检测任务的mAP分别为0.952和0.926，对应F1分数分别为0.929和0.905。专家评审与技术评估总体一致。结论：RAPID能够利用定位像实现准确的、由图像衍生的CT序列解剖学标注。
研究背景与问题提出
在临床放射学工作流中，基于数字成像和通信医学（Digital Imaging and Communications in Medicine，DICOM）元数据（如SeriesDescription、BodyPartExamined）的CT序列解剖学分类常因各机构录入习惯、语言及不完整填充而不可靠，难以支撑大规模可复现的影像分析；尤其在肿瘤学多区域扫描中，单一文本标签无法反映序列真实覆盖的解剖范围，手动核查耗时且难扩展。CT检查常规获取的定位像（topogram）虽提供扫描规划的解剖概览，却极少被用于系统化解剖标注。为此，研究人员开展本研究，旨在利用定位像像素信息结合DICOM几何参数，构建不依赖文本元数据的解剖学标注框架。
研究概述与发表信息
研究人员提出RAPID（Rapid Analysis and Processing of Image Data）框架，采用三个YOLOv8模型分别在定位像上完成全局解剖分类、身体区域检测与解剖标志点检测，并将预测框经DICOM空间几何（层厚、方位、位置）映射回各CT序列以确定其颅尾向覆盖的解剖标签。论文发表于《European Radiology》，结论指出RAPID可基于定位像实现准确、可复现的CT序列影像原生解剖标注，降低对不一致DICOM属性的依赖。
主要关键技术方法（≤250字）
研究人员采用2003–2022年单中心（埃森大学医院）及外部2005–2023年Siemens扫描仪定位像与CT序列，内部65250例患者、外部195例。以BOA（CT-based body and organ analysis）模型与TotalSegmentator生成三维解剖分割作为真值，通过DICOM头文件几何信息投影至定位像域生成边界框标签。三个YOLOv8变体（分类、身体区域检测、标志点检测）分别以83207、1926、2000张定位像训练；性能用F1、mAP50评估，外部验证；三名放射科医师对150例检测预测行5级Likert评分，以Gwet’s AC2算评分者间一致性。
研究结果
数据集特征：内部104009张定位像（分类用）、2500张全身定位像（检测用），99% Siemens；外部195例。分布详见原文表1。
性能评估：分类内部宏F1 0.920（外部0.970），Body/Head/上下肢各类F1均>0.9；身体区域检测内部mAP50 0.993、F1 0.996，外部降至0.952/0.929；标志点检测内部mAP50 0.958、F1 0.957（脊柱、肺、心、髋近乎无漏检，脾较小），外部0.926/0.905。放射科医师评审>98%预测评4–5分，身体区域模型Gwet’s AC2 0.999、标志点0.915，与技术指标一致；体型异常（肥胖、肺不张）时偶有技术正确但临床评分为4以下。
临床应用示意：以肝CT为例，RAPID将序列颅尾覆盖投影至带预测框的定位像，非专业人员亦可判明是否含胃等邻域结构，证明流程可用。
讨论部分总结
研究人员讨论认为，自动化BOA投影标注避免了人工标框的成本与观察者变异；相比基于切片级分类再沿颅尾轴聚合的既往方法，RAPID在定位像全局布局上直接做边界框检测，天然支持重叠解剖区多标签，更轻量。技术指标高但医师偶评非满分，多因体位变异、自动投影微小颅尾偏移或框略大，说明技术度量须结合临床判断。局限包括：体位重叠致单序列主导标签模糊；小结构（脾）检测受YOLO类架构限制；检测仅限全身定位像；99% Siemens数据致跨厂商泛化待验；未含对比剂期相信息。结论翻译：本研究证实，基于深度学习的CT定位像分析联合DICOM空间几何，可仅用定位像对CT序列实现准确可复现的解剖学标注；虽需互补模型方能全自动刻画序列语义，该方法已为影像感知CT数据分析奠定基础，并以像素原生信息补充文本元数据、减少人工核查。
