Machine Learning Classification of Body Part, Imaging Axis, and Intravenous Contrast Enhancement on CT Imaging

Purpose: The development and evaluation of machine learning models that automatically identify the body part(s) imaged, axis of imaging, and the presence of intravenous contrast material of a CT series of images. Methods: This retrospective study included 6955 series from 1198 studies (501 female, 697 males, mean age 56.5 years) obtained between January 2010 and September 2021. Each series was annotated by a trained board-certified radiologist with labels consisting of 16 body parts, 3 imaging axes, and whether an intravenous contrast agent was used. The studies were randomly assigned to the training, validation and testing sets with a proportion of 70%, 20% and 10%, respectively, to develop a 3D deep neural network for each classification task. External validation was conducted with a total of 35,272 series from 7 publicly available datasets. The classification accuracy for each series was independently assessed for each task to evaluate model performance. Results: The accuracies for identifying the body parts, imaging axes, and the presence of intravenous contrast were 96.0% (95% CI: 94.6%, 97.2%), 99.2% (95% CI: 98.5%, 99.7%), and 97.5% (95% CI: 96.4%, 98.5%) respectively. The generalizability of the models was demonstrated through external validation with accuracies of 89.7 - 97.8%, 98.6 - 100%, and 87.8 - 98.6% for the same tasks. Conclusions: The developed models demonstrated high performance on both internal and external testing in identifying key aspects of a CT series. Graphical Abstract Objectif : La mise au point et l'evaluation de modeles d'apprentissage machine identifiant automatiquement les parties du corps sur une image, l'axe de l'imagerie et la presence de produit de contraste intraveineux dans une serie d'images de TDM. Methodes : Cette etude retrospective a inclus 6955 series tirees de 1198 etudes (501 femmes, 697 hommes, age moyen : 56,5 ans) obtenues entre janvier 2010 et septembre 2021. Chaque serie a ete annotee par un radiologiste certifie et entraine avec des etiquettes indiquant 16 parties du corps, 3 axes d'imagerie et la presence ou l'absence d'utilisation de produit de contraste. Les etudes ont ete affectees de maniere aleatoire aux ensembles de donnees d'entrainement, de validation et de tests dans les proportions respectives de 70 %, 20 % et 10 % dans le but de developper un reseau neuronal profond 3D pour chaque tache de classification. Une validation externe a ete menee avec un total de 35 272 series issues de 7 ensembles publics de donnees disponibles. La precision de la classification de chaque serie a ete evaluee de facon independante pour chaque tache afin d'evaluer les performances du modele. Resultats : L'exactitude de l'identification des parties du corps, des axes d'imagerie et de la presence de produit de contraste a ete, respectivement, de 96,0 % (IC a 95 % : 94,6 % a 97,2 %), 99,2 % (IC a 95 % : 98,5 % a 99,7 %) et 97,5 % (IC a 95 % : 96,4 % a 98,5 %). La possibilite de generaliser les modeles a ete demontree par validation externe avec une precision respective de 89,7 % a 97,8 %, 98,6 % a 100 % et 87,8 % a 98,6 % pour les memes taches. Conclusions : Les modeles mis au point ont demontre une haute performance en ce qui concerne autant les tests internes que les tests externes pour l'identification des aspects principaux des series de TDM.