跳至正文
朗慧科技

MEDICAL DATA RESEARCH

心脏及血管 CTA 数据建设:从原始 DICOM 到可复核标签的验收设计

面向医疗AI研发与数据采购,拆解心脏及血管CTA的Study计数、DICOM层级、冠脉与主动脉标签、报告证据、专家复核、泄漏控制和独立验收,明确数据建设与临床诊断的边界。

CT与血管影像AI辅助整理 · 研发交流

开篇:CTA 数据为什么不能只按“检查例数”计算

当研究团队拿到一批心脏及血管 CT 血管造影(CTA)数据时,最先要问的通常不是“有多少例”,而是“这一例究竟包含什么证据”。一行索引可能对应一次心电门控冠状动脉 CTA,也可能对应主动脉 CTA、肺动脉 CTA 或其他大血管检查;同一次检查还可能产生平扫、增强期相、薄层源图像、曲面重建(CPR)和多平面重建(MPR)。如果把多序列、多期相或多视图拆成多例,数量会变得好看,却会让患者级划分、报告配对和模型评估产生泄漏。

CTA 的临床语义也不是一个“阳性/阴性”二元字段可以容纳的。冠状动脉斑块、狭窄和钙化需要区分血管段、斑块类型、分级体系及是否能够评价;主动脉瘤、夹层、壁间血肿和穿透性粥样硬化性溃疡对应不同的解剖与证据边界;术后支架、搭桥、人工血管和吻合口改变又不能与未治疗血管混在一起。对于“考虑”“疑似”“不能除外”或“图像质量不足”的描述,如果在整理时被强行改成明确诊断,后续算法得到的不是更干净的标签,而是被人为制造的确定性。

因此,心脏及血管 CTA 数据建设应被理解为一项临床证据组织和质量工程:以检查(Study)为基本计数对象,以 DICOM 层级保护影像上下文,以结构化报告和证据来源承载医学语义,再用可追溯的质量门控把数据交给算法研发。本文围绕这一具体问题,讨论需求拆解、数据设计、算法路线、专家标注、偏差控制和项目验收。文中不提供个体诊断或治疗建议,所有具体阈值均应由项目授权方、医学专家和书面方案共同确定。

心脏及血管 CTA 从检查对象到研究标签的分层数据链路技术示意;不含真实患者数据,不表示实际项目已完成。查看完整技术图(可放大)

图 1|技术示意:CTA 数据链路应同时保留影像层级、报告语义、证据关系与质量状态。

一、先把临床任务拆开:同一模态不等于同一种标签

CTA 数据需求常被写成“心脏及血管 CTA 影像数据集”,但这个题名至少包含四组不同的研究任务。第一组是冠状动脉管腔和斑块任务,包括冠脉树追踪、血管段定位、管腔狭窄、钙化、非钙化或混合斑块,以及可能存在的异常起源、壁内走行、心肌桥和瘘。第二组是主动脉及大血管任务,包括动脉瘤、扩张、夹层、真假腔、分支受累、壁间血肿、附壁血栓、穿透性溃疡和狭窄或闭塞。第三组是肺动脉与心脏附带结构任务,例如肺动脉栓塞的血管段位置、右心负荷征象、心腔扩大、心包异常或心脏占位倾向。第四组是术后与跨模态任务,包括支架、搭桥、人工血管、吻合口、内漏,以及心电、超声、介入或手术、MRI 和随访之间的受控关联。

这些任务的输入并不相同。冠脉狭窄需要能够追踪目标冠脉的适宜心电门控 CTA;主动脉病变通常依赖与目标血管范围匹配的增强期相和薄层重建;钙化评价可能需要保留平扫及其方法信息;肺动脉栓塞不能用不适宜的期相去作排除性结论。项目索引应写清模态、实际覆盖结构、协议、门控方式、期相、层厚、重建核、设备与软件版本,并区分“未做”“不可得”“不适用”“未知”和“无法评价”。文件名中的“心脏 CTA”不能替代对真实覆盖范围的核验。心脏 CT 与体部 CTA 的官方实践参数也分别从检查技术、人员职责、记录和质量控制等方面规定了适用边界,适合用作项目规则的背景参照,而不是未经书面确认的合同阈值。1

输出颗粒度也要先定下来。对于数据交付,最稳妥的基本单位通常是一次 CTA 检查或 Study,而不是一张图或一个 Series。Study 下仍需保留 Series、Instance、像素数据、空间几何和重建信息;多期相、多视图和派生重建可作为同一检查下的不同对象,并通过明确的原始/派生标识组织。对于训练任务,输出还可以包括血管中心线、血管段级标签、病灶或斑块的体素级分割、测量点、报告级分类和患者级结局,但每一种输出都应在字典中说明坐标系、单位、证据层级和适用的影像协议。

专业报告体系也不能被当作病理真值。CAD-RADS 2.0 将冠脉狭窄程度、斑块负荷和修饰项纳入标准化报告框架,并强调它应与阅片医师的完整印象结合使用,而不是替代个体化临床判断。3 对数据建设而言,这意味着可以保留原报告中实际采用的分类、分级和修饰项,但不应把报告级分类自动升级为像素级分割,也不能把影像提示直接写成介入或病理确证。

二、原始影像、报告和关联键:把“可读”变成“可复用”

CTA 的第一层数据设计是原始性。研究集应尽量保留脱敏后的原始 DICOM,而不是只交付截图、胶片照片、报告 PDF 或关键帧拼图。对每个 Study,要能够向下追溯到 Series 和 Instance,验证层面顺序、像素间距、层厚、方向、HU 转换、重建核、期相和门控信息。派生的 MPR、CPR 或视频应与源序列分层保存,并注明生成工具、参数和版本。否则,算法团队在训练时看到的可能只是一个看似规整的体积,却无法解释体素强度、空间方向和几何测量从何而来。

DICOM 的去标识也不是“删除姓名”这么简单。DICOM PS3.15 明确指出,属性保密配置不能保证所有可识别信息都被去除,去标识还需要结合数据用途、接收方、适用法规和再识别风险进行过程设计;像素中烧录的身份文字、私有属性、文件元信息以及不同对象之间的 UID 引用都需要专项处理。7 对 CTA 来说,日期相对偏移、匿名患者和 Study 的稳定关联、序列引用、测量和派生对象的可解析性同样重要。若为了保护隐私而随机改写每个对象的关联键,患者级划分和纵向配对可能被破坏;若为了保留时间线而保留过多原始日期,又可能增加再识别风险。项目应把安全处理、关联完整性和研究可用性一起验收。

第二层是报告与结构化字段。检查名称、所见、诊断印象、主要诊断、细分标签、否定语义和不确定语义应尽可能逐例关联原始报告;结构化字段可以方便统计,却不能覆盖原文。血管段、斑块类型、狭窄原文、钙化积分、动脉瘤最大径、夹层范围、心率、门控方式和对比剂期相等字段,需要同时保留原值、单位、分级体系、测量方法和版本。缺失值不能只用空白表示:没有检查、记录缺失、未评价和不适用对模型训练的意义不同。

第三层是跨模态关系。心电、超声、介入或手术、MRI、检验和随访可以为研究提供上下文,但“有关联”不等于“已经完成像素级配准”。关联键至少应回答:这些对象是否属于同一匿名患者、同一次检查还是不同时间点;来源记录是什么;时间是精确日期、相对时间还是仅有顺序;影像提示、手术记录、病理结果和随访结局分别处在哪一层证据。跨模态数据若缺少来源与时间,就容易把后续事件错误地当成 CTA 当日事实。

三、算法路线应服从任务:从中心线到多任务输出,而不是先选模型

CTA 的算法研发可以拆成相互衔接但不可混为一谈的环节。第一步是输入质量与协议识别:读取 DICOM,检查序列完整性、覆盖范围、层面顺序、重建核和门控信息,对金属、运动、低对比剂充盈和严重伪影建立“可评价”“降级”或“排除”状态。第二步是解剖定位与血管树建模:可用三维分割、中心线提取和 MPR/CPR 生成,把心脏、主动脉、肺动脉或其他目标血管定位到统一的研究坐标。中心线不是最终疾病标签,它只是帮助后续血管段划分、截面测量和病灶追踪的中间表示。

第三步是按研究问题建立输出头。冠脉项目可以分别设置血管段识别、斑块类别、狭窄程度和“无法评价”分类,并在需要时增加斑块或管腔的体素级分割;主动脉项目应将部位、真假腔、破口、壁内血肿、附壁血栓、分支受累和最大径测量分开编码;肺动脉项目则应明确栓子位置、血管层级和右心负荷征象的来源。一个多任务模型可以共享影像特征,但数据字典不能因为模型共享就把不同病种和不同证据压缩成一个“异常”标签。

公开研究可以说明为什么元数据和协议字段会影响算法解释。Denzinger 等在 2023 年的研究中,对同一批 CCTA 原始数据用多种图像形成参数重建,观察到重建核、堆叠方式和去噪设置会影响自动 CAD 评估的稳定性,且训练数据中代表不足的重建条件会增加不确定性。4 这不是说某个模型在所有医院都会失效,而是提示数据采购不能只记录“CT 已完成”:设备、层厚、重建核、堆叠方式、心电相位和软件版本应进入分布统计,外部测试也要覆盖这些变化。

对斑块或血管进行自动分割时,预训练模型、交互式工具或中心线引导算法可以缩短从空白到草稿的时间,但草稿不等于金标准。2025 年发表的 PlaqueViT 研究在开发集、内部测试集、观察者研究和外部验证集之间做了区分,并报告了斑块分割的 Dice、表面距离、体积一致性及检测层面的敏感度和特异度。5 这类设计值得借鉴的是任务拆分、外部验证和多指标报告,而不是把论文中的性能数字移植成任何项目的验收承诺。真正交付时,模型预标注必须经过规定的人工复核;自动传播、插值或异常修补均应留存版本和修改轨迹。

四、标注主体与不确定性:让专家意见可解释、可复议

CTA 的标注主体应根据任务风险配置。基础的序列核对、解剖对象初筛和格式检查可以由经过培训的影像数据人员执行;涉及冠脉狭窄分级、复杂斑块、主动脉夹层真假腔、术后器械、肺栓塞和心脏附带征象的判定,应由具有相应影像经验的合格医师或项目指定专家负责终审。标注者、独立审核者和仲裁者的角色要分开,尤其在外部交付或发表研究中,不能让同一人无记录地完成初标、修改与最终批准。

标注规范应先定义对象,再定义边界。冠脉斑块与管腔狭窄不是同一个 Mask;扩张与动脉瘤、普通斑块与穿透性溃疡、壁间血肿与附壁血栓、影像疑似与病理确诊也不能只靠同义词归并。对于小径支架、严重钙化、运动伪影、低对比剂充盈或目标血管未完整进入视野的病例,应有“无法评价”或“证据不足”状态。部分覆盖不应产生范围外的阴性结论,未检测、阴性、未见明确异常和无法评价必须在字典中分别说明。

专家审核的重点不是追求一张图看起来平滑,而是验证层间连续、血管走行、分支关系、测量平面、对象 ID 和报告语义是否一致。争议病例要保留分歧类别和复议依据:是协议不适合、图像质量不足、解剖变异、术后改变,还是定义本身存在歧义。盲审时可隐藏先前标注和模型结果,避免审核者被已有轮廓带偏;模型预标注修改幅度异常的病例、少见病种和跨中心差异大的亚组,应提高进入专家仲裁的优先级。

发布于 2025 年的 MultiD4CAD 数据集研究展示了另一种值得注意的设计:将 CCTA 与心外膜及冠周脂肪组织分割、临床风险因素和 CAD 标签配对,同时明确入组、排除、脱敏和技术验证过程。6 这类多模态数据可以支持影像组学或多模态模型研究,但其回顾性、单一来源、特定排除条件和有限样本范围也决定了外推边界。对任何新项目而言,跨模态字段越多,越要同时记录缺失机制、时间关系、来源证据和纳排条件,而不能把“字段更多”直接等同于“标签更可靠”。

五、质量、偏差与外部验证:验收不应只看总体通过率

CTA 数据的质量门控至少应分为五层。第一层是来源与合规:授权范围、处理角色、伦理或其他适用依据、去标识方案、访问权限和审计记录齐全。第二层是文件与解析:原始 DICOM 可读取,Study/Series/Instance 层级稳定,像素与空间信息不损坏,原始和派生对象可区分。第三层是图文一致:报告与检查主键逐例配对,关键否定和不确定语义没有被改写,结构化字段可以回溯到原文或指定证据。第四层是医学标签:目标解剖结构在适宜协议和足够质量下可评价,标签类别、测量单位、证据来源和不确定性完整。第五层是交付与版本:文件清单、哈希、字段字典、分布统计、问题单、整改复验和版本变更可重算。

偏差控制要按研究终点设计,而不能只做总量汇总。中心集中度、设备与重建条件、检查年份、年龄和性别、心率、门控方式、协议、术后状态、图像质量和阳性谱系都会影响模型学习。如果项目只纳入高质量、典型阳性或排除了所有支架和搭桥病例,模型可能在受控队列中表现稳定,却无法处理真实临床中的术后与低质量情况。反过来,如果为满足阳性比例而人为寻找或拼接病例,也会改变自然分布。采购约定的病例构成必须保留审计记录,并把自然分布不足、不可得和超出范围分别报告。

训练、验证和测试应按患者级或项目定义的稳定实体划分,而不能把同一患者不同时间点、同一 Study 的多期相或高度相关的派生重建拆到不同集合。纵向项目还需记录时间顺序,防止把随访结局泄漏到基线特征。外部验证应至少考虑来源中心、扫描设备、重建条件、协议、年龄与性别分布和术后亚组的差异;报告中要分别说明技术指标、标签一致性和临床任务的评价口径,不能把分割 Dice、报告分类一致性和临床结局预测混成一个“准确率”。

公开的 ImageCAS 研究把冠脉分割数据和基准任务明确为 CTA 图像分割问题,说明公开基准适合比较算法实现,但不自动代表所有设备、协议和人群。8 同样,PlaqueViT 的外部验证可以为研究设计提供参照,却不能替代新数据集自己的独立抽检。项目应预先冻结一份与常规交付清单不重叠的质量基准样本,由指定医生直接阅片或阅图;抽检结果应按中心、协议、病种、质量档和标签类型分层,而非只给出一个平均通过率。

CTA 标签与验收的风险分层及独立验证技术示意;不含真实患者数据,不表示实际模型性能或临床结果。查看完整技术图(可放大)

图 2|技术示意:从标签定义到独立验证,应将来源、语义、几何、划分和版本作为连续的证据链。

六、把验收写成可执行的业务逻辑

对于数据采购或研究合作,建议先用一小批脱敏样例走完“接入—解析—标签—审核—导出—复算”的闭环,再决定是否扩大规模。样例验收应至少检查:一个 Study 能否在目标工具中完整打开;多期相、多 Series 和派生重建是否保持归属;报告、结构化字段和标签是否能由匿名主键反向定位;DICOM 元数据和像素内文字是否完成专项检查;标签文件在下游训练工具中是否方向正确、体素间距一致;版本更正是否形成新版本或差分包,而非静默覆盖。

批次验收可以将“送检、通过、整改、剔除、待核验”分开统计,并在每项异常后写明原因、责任、日期和复验结果。数量应从逐例索引重算,而不是接受无法追溯的汇总表。对同一 Study 的多序列、多视图、多期相和重复导出,应通过主键、文件哈希和层级清单去重;对跨批重复、公开数据混入、合成数据冒充真实数据、患者错配或报告错配,应设置阻断性缺陷。整改完成后要重新执行自动检查,并按风险进行人工复抽。

业务上还应把数据档次和交付目的分开。基础档可以只包含可读的脱敏原始影像与正式报告;标准档增加结构化报告、设备和协议元数据、核心标签;更高档次再增加纵向检查或跨模态关联。不同档次的分母、去重主键、证据要求和价格口径应在项目书面文件中锁定,同一例不能因同时包含多个模态就被重复计算。专业指南可帮助定义采集完整性和术语边界,但只有在适用范围明确、经项目书面引用后,才适合作为验收条款。

这一逻辑也帮助研发团队判断数据是否真正“可用”。如果数据没有报告原文,模型可能只学到二元标签;如果没有协议和设备字段,外部误差无法解释;如果没有“无法评价”和不确定标签,模型会把技术失败误当疾病阴性;如果没有版本和问题单,研究者无法复现论文中的训练集。可验收的数据交付不是把文件放入一个压缩包,而是同时交付一套能让算法、临床研究和信息安全团队复核的证据材料。

七、公司能力如何与需求对齐:只承诺已核验的流程能力

朗慧科技公开定位为 AI 数据基础设施及流程服务商,自研 LangData 覆盖采集、处理、标注、质检和数据交付;医疗栏目提供按部位、模态和任务组织的数据目录与项目化评估入口。将这些已核验定位用于 CTA 项目时,更合适的表达是:围绕具体授权和任务,协助梳理数据字典、建立影像与报告的关系、组织标注与复核、生成质量记录和版本化交付。平台或流程能力可以支持数据治理与研究准备,但不等于已经拥有某一规模的现货队列,也不等于完成了某项临床验证或监管审定。

对于心脏及血管 CTA,应在项目启动时单独确认是否覆盖原始 DICOM 解析、冠脉或主动脉的任务模板、MPR/CPR 辅助核验、报告结构化、跨模态关联、专家终审、私有化环境、导出格式和下游工具验证。每项能力都要以脱敏样例和书面验收脚本确认;不能把其他 CT、MRI 或通用标注项目的经验直接当成 CTA 专项现货。涉及来源授权、伦理审查、数据出境、临床结论或诊断性能的事项,也不能由数据服务商替代数据所有者、医疗机构和合格医师作出决定。

对研发团队而言,最有价值的交付往往不是一套看似精细的单一标签,而是“影像—报告—标签—证据—版本”的可复现闭环。对采购与质量团队而言,最有价值的指标也不只是总量,而是逐例可重算、问题可定位、整改可复验、外部样本不泄漏。把这两套视角放进同一份项目规格,CTA 数据才可能从一次性文件加工转化为可持续迭代的研究资产。

结语:让 CTA 的复杂性成为可管理的结构

心脏及血管 CTA 同时拥有三维几何、时间期相、血管层级、报告语义和临床证据的不确定性。高质量建设的目标不是把所有病例都压成确定标签,也不是用某个模型或某个总分掩盖协议差异,而是让每个研究对象知道自己来自哪次检查、依据哪组影像、对应何种报告、由谁在何时复核,以及在什么条件下不应被解释。

从原始 DICOM 到患者级划分,从冠脉中心线到病灶标签,从不确定语义到独立外部验证,任何一个环节缺失都会削弱最终模型的可解释性。对于医疗 AI 团队,先把任务、数据和验收写清楚,再谈算法规模和多模态扩展,通常比先追求数量更能降低返工与偏差。对于数据服务团队,守住授权、原始性、专家责任和版本边界,才能把“能交付”推进为“可复核、可研究、可持续更新”。

本文为心脏及血管 CTA 数据建设的技术分析,不构成医疗建议、诊断、治疗或医疗器械性能承诺。文中示意图不含真实患者信息,不代表实际项目结果;具体数据来源、授权、伦理、标签范围、模型性能和交付条件均须以项目书面确认及适用法规为准。

参考来源

  1. ACR–NASCI–SPR Practice Parameter for the Performance and Interpretation of Cardiac Computed Tomography (CT)
  2. ACR–NASCI–SIR–SPR Practice Parameter for the Performance and Interpretation of Body Computed Tomography Angiography (CTA)
  3. CAD-RADS™ 2.0 – 2022 Coronary Artery Disease – Reporting and Data System
  4. How scan parameter choice affects deep learning-based coronary artery disease assessment from computed tomography
  5. PlaqueViT: a vision transformer model for fully automatic coronary artery and plaque segmentation in CCTA
  6. MultiD4CAD: Multimodal Dataset composed of CT and Clinical Features for Coronary Artery Disease Analysis
  7. DICOM PS3.15 2026c: Attribute Confidentiality Profiles
  8. ImageCAS: A large-scale dataset and benchmark for coronary artery segmentation based on computed tomography angiography images