ChatPaper.aiChatPaper

Reinterpretación de la Imagenología de TC de Cuerpo Completo: Un Enfoque Centrado en las Anomalías

Rethinking Whole-Body CT Image Interpretation: An Abnormality-Centric Approach

June 3, 2025
Autores: Ziheng Zhao, Lisong Dai, Ya Zhang, Yanfeng Wang, Weidi Xie
cs.AI

Resumen

La interpretación automatizada de imágenes de TC, en particular la localización y descripción de hallazgos anormales en exploraciones multiplanares y de cuerpo completo, sigue siendo un desafío significativo en la radiología clínica. Este trabajo tiene como objetivo abordar este desafío a través de cuatro contribuciones clave: (i) En taxonomía, colaboramos con radiólogos senior para proponer un sistema de clasificación jerárquico integral, con 404 hallazgos anormales representativos en todas las regiones del cuerpo; (ii) En datos, contribuimos con un conjunto de datos que contiene más de 14.5K imágenes de TC de múltiples planos y todas las regiones del cuerpo humano, y proporcionamos meticulosamente anotaciones de referencia para más de 19K anomalías, cada una vinculada a una descripción detallada y clasificada en la taxonomía; (iii) En desarrollo de modelos, proponemos OminiAbnorm-CT, que puede localizar y describir automáticamente hallazgos anormales en imágenes de TC multiplanares y de cuerpo completo basándose en consultas de texto, además de permitir una interacción flexible mediante indicaciones visuales; (iv) En evaluación, establecemos tres tareas representativas de evaluación basadas en escenarios clínicos reales. A través de experimentos exhaustivos, demostramos que OminiAbnorm-CT supera significativamente a los métodos existentes en todas las tareas y métricas.
English
Automated interpretation of CT images-particularly localizing and describing abnormal findings across multi-plane and whole-body scans-remains a significant challenge in clinical radiology. This work aims to address this challenge through four key contributions: (i) On taxonomy, we collaborate with senior radiologists to propose a comprehensive hierarchical classification system, with 404 representative abnormal findings across all body regions; (ii) On data, we contribute a dataset containing over 14.5K CT images from multiple planes and all human body regions, and meticulously provide grounding annotations for over 19K abnormalities, each linked to the detailed description and cast into the taxonomy; (iii) On model development, we propose OminiAbnorm-CT, which can automatically ground and describe abnormal findings on multi-plane and whole-body CT images based on text queries, while also allowing flexible interaction through visual prompts; (iv) On benchmarks, we establish three representative evaluation tasks based on real clinical scenarios. Through extensive experiments, we show that OminiAbnorm-CT can significantly outperform existing methods on all the tasks and metrics.
PDF12June 6, 2025