Heroverdenken van de interpretatie van CT-scans van het hele lichaam: Een afwijking-gerichte benadering

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

June 3, 2025

Auteurs: Ziheng Zhao, Lisong Dai, Ya Zhang, Yanfeng Wang, Weidi Xie

cs.AI

Samenvatting

Geautomatiseerde interpretatie van CT-beelden - met name het lokaliseren en beschrijven van afwijkingen in multi-plane en whole-body scans - blijft een aanzienlijke uitdaging in de klinische radiologie. Dit werk heeft als doel deze uitdaging aan te pakken door middel van vier belangrijke bijdragen: (i) Op het gebied van taxonomie werken we samen met ervaren radiologen om een uitgebreid hiërarchisch classificatiesysteem voor te stellen, met 404 representatieve afwijkingen in alle lichaamsregio's; (ii) Op het gebied van data dragen we een dataset bij met meer dan 14.500 CT-beelden uit meerdere vlakken en alle menselijke lichaamsregio's, en voorzien we zorgvuldig grondige annotaties voor meer dan 19.000 afwijkingen, elk gekoppeld aan een gedetailleerde beschrijving en ingedeeld in de taxonomie; (iii) Op het gebied van modelontwikkeling stellen we OminiAbnorm-CT voor, dat automatisch afwijkingen kan lokaliseren en beschrijven in multi-plane en whole-body CT-beelden op basis van tekstuele zoekopdrachten, terwijl het ook flexibele interactie mogelijk maakt via visuele prompts; (iv) Op het gebied van benchmarks stellen we drie representatieve evaluatietaken op gebaseerd op echte klinische scenario's. Door uitgebreide experimenten tonen we aan dat OminiAbnorm-CT aanzienlijk beter presteert dan bestaande methoden op alle taken en metrieken.

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.