CT esetén a betegek effektív dózisa lényegesen függ az aktuális vizsgált testrégiótól is. A Debreceni Egyetemen kifejlesztett dózismonitorozó program a CT protokoll alapján próbálja kiválasztani az eltérő testrégiókat (koponya, nyak, fej-nyak, mellkas, has és törzs). Ha azonban a vizsgálat során el kell térni a protokolltól, akkor a testtájék azonosítása, és így a dózisérték is hibás lesz. A radiográfusoknak minden beteg esetén ellenőrizniük kell, hogy a dózismonitorozó doftverben helyes testrégió(k) szerepel(nek) az adott vizsgálat sorozatain belül, és ha nem, akkor feladatuk azt javítani. Ez idő- és figyelem-igényes folyamat, ezért ennek egyszerűsítésének, illetve a hibalehetőségek minimalizálásának érdekében a munkánk célja az volt, hogy kifejlesszünk egy mesterséges intelligencián alapuló algoritmust, amely képes felismerni a lokalizáló scan alapján a sorozatban vizsgált testrészeket, ezáltal a DMSZ pontos dózisértékeket tud regisztrálni. Először a fej-nyak, mellkas és törzs régiók szerint közel 10 ezer betegvizsgálat AP és laterális lokalizáló képei kerültek összegyűjtésre. Ezután minden képből digitálisan ki lettek vágva az egyes sorozatok tartományai, majd a CT protokoll alapján feltételezett 3 testtájéknak megfelelő mappába lettek automatikusan rendezve. Ezt követően minden képet egyesével ellenőriztem, hogy helyesen lettek-e azonosítva. Amelyek nem, azokat töröltem a könyvtárból. Az ilyen módon előszelektált képekből jött létre az MI alapú testrégiót azonosító modell tanító adathalmaza. A szortírozáshoz és osztályozáshoz a nyílt forráskódú Keras API-ra épülő szoftvert felhasználva fejlesztettük a konkrét algoritmust. A Convolutional Neural Network architektúrát használó rendszer 229414 paraméterből és 5 db convolutional layer-ből áll. Betanítására a képek 80%-át, tesztelésre a maradék 20%-ot használtuk, az optimális modell kiválasztásához pedig ötszörös keresztvalidációt alkalmaztunk, mivel 5 eltérő modellt alakítottunk ki. Az legjobbnak bizonyult osztályozó modell jósága, pontossága (accuracy) 99.83 % lett, 0.0023 szórás mellett. Egy-egy modell tanítása 1.5 óráig tartott, azonban a beépített párhuzamosítások után a teljes betanítási folyamat az 5 modellel a keresztvalidációval együtt megközelítően 1.5 óra alatt készült el. A kiválasztott legjobb modellel egy kép osztályba sorolásához 0.05 másodpercre volt szükség. Az így kialakított Python környezetben használható modell az egyetemi CT dózismonitorozó rendszerbe könnyen integrálható. A CT vizsgálatok aktuális testrégiói jól azonosíthatóak a lokalizáló scan és az MI segítségével.