跳至正文
朗慧科技

MEDICAL DATA RESEARCH

经皮穿刺导航的三维 CT 数据,为什么不能只交一套分割掩膜

面向医疗AI研发与数据采购,拆解胸腹部经皮穿刺导航三维CT数据如何组织多结构标签、体表与靶标几何、风险语义、专家盲审、空间对齐和外部验证,避免把分割掩膜直接当作可用导航数据。

CT与血管影像AI辅助整理 · 研发交流

经皮穿刺导航真正要回答的,不是“某个器官在 CT 上占了多少体积”,而是:给定一个可定位的病灶或治疗靶标,系统能否在患者的三维坐标中识别所有相关结构,判断候选路径是否穿过高风险区域,并把这些判断交给医生复核。若数据只包含若干看起来完整的器官轮廓,却没有薄层 CT 的空间方向、血管和气道的分支关系、体表入针面以及审核状态,模型可以得到一张漂亮的三维图,却无法支撑可追溯的路径规划。

因此,面向胸腹部经皮穿刺导航的数据建设,应把任务定义为“多结构三维分割 + 靶标定位 + 风险语义编码 + 空间一致性交付”。它既是医学影像标注任务,也是一个与临床动作约束相连的数据工程任务。公开研究已经展示了 AI 对肺结节检测、胸部解剖分割和候选针路生成的可行性,但研究样本、标注方式和评价指标各不相同,不能直接替代一个面向导航的完整数据规范。1

先把临床任务拆成可验收的数据对象

输入应以 DICOM CT 序列为基础,而不是把屏幕截图或已经失去元数据的导出图像当作训练数据。胸部场景通常需要平扫或增强薄层序列,上腹部还可能涉及不同增强期相。任务书至少要冻结层厚、重建间隔、矩阵、扫描范围、重建核、体位、呼吸状态和增强期相,并同时保存设备与协议字段。层厚影响细小血管、肺裂和病灶边界的可见程度,增强时相影响门静脉、肝静脉、胆道和病灶之间的对比度。若把不同协议混在同一标签定义下,模型误差与标注分歧就很难区分。

病例级划分比切片级随机划分更重要。来自同一检查的相邻切片不能分别进入训练集和测试集;同一患者的复查、同一手术过程的多次扫描,也不应被当成独立样本。队列设计要把中心、设备、扫描协议、平扫与增强、多期相、体位、病灶位置和病变形态保留下来,并在数据卡中说明各层分布。这样做不是为了增加表格,而是为了让外部验证能够回答一个实际问题:算法面对不同设备、重建参数和疾病谱时,风险结构是否仍然保持可用。

输出也不能只写成“一个三维 mask”。对每个结构,至少应明确标签名称、左右侧、是否允许多连通区域、边界包含哪些组织、是否需要保留腔内空间、分支追踪到什么层级,以及结构不可见时如何编码。肺叶需要考虑叶间裂和左右侧关系;气管—支气管树要区分管腔、管壁或项目规定的组合对象;肺动脉和肺静脉需要保留可辨认的主干与分支;心脏与心包需要说明是整体轮廓还是分层标注。肝脏、门静脉、肝静脉和下腔静脉在穿刺路径中承担不同的风险语义,不能用一个“腹部血管”标签代替。

上腹部还应考虑胆囊及可视胆管、脾脏、双肾与肾上腺、胃和近端十二指肠、胸腹部大血管、骨骼、膈肌、胸腹壁、皮肤与皮下层。病灶则应独立于器官标签,记录肺内结节或肝内占位的类型、可见范围和靶区定义。病灶是路径终点,器官和血管是路径约束;如果两者混成一个类别,后续算法无法判断“到哪里”与“不能经过哪里”。

更稳妥的标签架构是把结构分为四种语义。第一类是硬禁区,例如需要在规划中保持安全距离的主要动脉、静脉、心脏、气道或消化道结构;第二类是避让区,例如肺叶边界、可见小血管、肋骨和特定入路限制;第三类是几何参考区,例如体表、皮下层、膈肌和骨性标志;第四类是目标区,即病灶或拟穿刺终点。这里的“硬禁区”是数据中的风险属性,不是对任意临床操作的绝对法律或医疗结论,最终阈值仍需由临床团队与产品验证方案确定。

技术示意:从薄层 CT、空间元数据与队列设计,到风险语义、专家复核和可追溯导出。查看完整技术图(可放大)

图 1|技术示意,不表示真实患者、已完成实验、现货能力或临床诊断结论。

从体素分割走向可计算的空间关系

三维体素级分割是基础,但导航算法还需要由 mask 派生出的几何对象。对血管和气道,中心线、分支连接和末端截断比单纯体积更能反映路径是否可能穿过结构;对皮肤和胸腹壁,表面法向与厚度关系到入针角度和深度;对骨骼,连续的刚性阻挡面比零散的体素数量更有意义;对病灶,中心、边界、最长径、内部密度和与胸膜或肝包膜的关系会影响候选路径排序。数据规格如果只验收 Dice,而不验收这些关系,最后得到的可能是“重叠率不错但无法规划路径”的标注集。

空间一致性必须在入库时处理。DICOM 的方向余弦、像素间距、层间距、切片排序、Frame of Reference 和源实例引用共同决定一个体素在患者坐标中的位置。重采样、裁剪、翻转或多期相配准后,必须保存变换矩阵与版本;任何标签都应能回指源序列。DICOM Segmentation IOD 将分割作为引用源图像的多帧对象,并要求记录分割类型和 segment 信息,这说明“文件能打开”并不等于“文件可被导航系统正确解释”。7

若项目选择 NIfTI 等研究格式,也应同步提供源序列映射、仿射矩阵、体素间距、方向约定、标签编码和导出日志。交付前可用少量病例做反向核对:将 mask 叠回原始 CT,在轴位、冠状位和矢状位检查左右侧、层面和边界,再用三维表面检查是否发生错位。对硬禁区和靶标,空间错位不是普通缺陷,而是应当阻断交付的错误。

算法路线:预标注加速,但不替代专家决策

可行的工程路线通常从协议归一化、体素重采样和强度处理开始,再使用三维分割网络生成器官、血管、骨骼和病灶候选。nnU-Net 类方法、专用三维 U-Net 或多任务网络都可以作为研发起点,但模型选择应服从标签难度和验证方案,而不是服从某个模型名称。多结构任务可以采用共享编码器加结构专用解码器,也可以先完成大器官,再对血管、气道、肺裂和病灶做局部高分辨率精修。对于分支密集的血管和支气管,连通性损失、中心线监督和拓扑检查可能比单纯增加训练轮数更有帮助。

预标注的价值在于减少重复描画,把专家时间集中到边界、分支和高风险区域。它不能被当作最终标签。TotalSegmentator 的研究展示了多结构 CT 分割可以通过大量人工复核和独立测试建立较完整的基线,但作者同时报告了小结构缺失、髂动脉或邻近骨结构混淆等典型失败模式。5 这类失败在普通器官体积统计中可能只造成轻微指标下降,在路径规划中却可能改变一条候选路径是否穿过风险区。

算法输出应带有不确定性或质量提示。可通过多次推理、集成模型、边界置信度、连通组件规则和结构间解剖关系检查来筛出需要人工复核的病例。比如,左肺与右肺的标签互换、肺动脉穿过心脏区域、门静脉突然断裂、胃与肝脏发生异常粘连,都是比平均重叠分数更值得优先处理的信号。高风险标签应采用“先筛查、后修订、再确认”的人机协作流程,而不是把低置信度轮廓静默导出。

对于增强 CT,不同期相应视为条件变量,而不是简单的数据扩增。一个 2024 年的多器官研究在独立 DECT 和多设备单能 CT 上做了外部测试,肝、脾和肾脏的表现相对稳定,但胰腺更容易下降;研究也明确指出,病变样本、扫描器、协议和临床场景的外推仍然不足。6 这提示验收应按期相、设备和病种分层,不应把某一组相对健康或结构清晰的病例结果写成所有胸腹部 CT 都适用。

路径规划本身可以在分割之后进行。候选入针点可在体表表面采样,终点来自病灶或治疗靶区;先用针长、体位和可达角度筛掉物理上不可行的路径,再用射线相交、最小安全距离和风险结构属性筛掉生理上不可接受的路径,最后在长度、入针角度、转折复杂度和风险间距之间做多目标排序。已有算法研究把物理、生理和数理约束分层,并用三维结构做避障,这种拆分适合转化为数据验收字段,而不意味着算法已经获得临床安全证明。3

专家标注要解决的不是“画得像”,而是“规则一致”

专家参与应从指南制定开始。临床专家需要先冻结结构字典、边界规则、分支级别、左右侧、病灶终点和不确定性编码;标注人员根据指南执行;复核专家负责处理高风险结构和复杂病例;质量人员则检查流程证据与导出一致性。不同角色不应通过口头经验替代版本化规则。尤其是肺裂、肺门血管、支气管分支、心包边界、肝内血管、胆道和胃肠道壁层,若没有示例与反例,标注人员很容易在不同批次中采用不同口径。

建议采用分阶段审核。一级审核关注切片连续性、孔洞、断裂、左右侧和标签缺失;二级审核关注体表—靶标关系、血管与气道中心线、硬禁区完整性和病灶边缘;三级审核面向批次与交付,检查不同中心和设备的错误分布,并保留独立外部验证。高风险结构可以优先采用盲审,复核者不查看初标者身份,减少对既有轮廓的顺从性。出现分歧时,不要简单投票覆盖,应保留争议位置、双方依据、仲裁理由和指南版本。

困难病例不能靠“补全”解决。增强不足、呼吸伪影、术后改变、明显解剖变异或病灶与器官边界不清时,应允许“不确定”“不可见”或“部分可见”状态,并说明其适用范围。强行把不可见血管画成完整结构,短期看似提高了标签完整率,长期却会把模型训练成过度自信。对导航任务而言,知道某一结构不可可靠判定,往往比提供一条看似连续但未经证实的中心线更安全。

评价指标也要与任务层级对应。器官和病灶可以报告 Dice、IoU、敏感度或表面距离;血管和气道还需报告中心线覆盖、断裂率和分支识别;路径相关数据需要报告与风险结构的相交错误、最小间距偏差和候选路径可行性。指标应按病例、结构和难度分层,并给出置信区间或误差范围。不能用大器官的高平均分掩盖小血管漏标,也不能用总体通过率抵销一个硬禁区错位。

技术示意:从标签字典、体素初标和争议仲裁,到批次抽检、独立外部验证与交付冻结。查看完整技术图(可放大)

图 2|技术示意,不表示真实患者、实验完成、监管批准、统一准确率或临床安全性结论。

研究结果如何转成谨慎的验收逻辑

公开研究可以帮助设计验收,但不能直接变成采购承诺。Too 等在三家医院的回顾性研究中,用 3D CNN 做肺部病灶检测并比较软件建议针路与实际活检路径,报告了较高的检测 AUC、敏感度和特异度,以及一定比例的可行路径和角度接近性。1 这些结果支持“病灶检测、分割与路径规划可以组成一条研究链路”,却不能证明另一个数据集、另一种期相或另一种解剖部位具有相同表现。文章也没有把回顾性路径相似性等同于前瞻性临床安全结局。

另一项体模概念验证研究把 AI 病灶检测、路径生成和针架定位用于含 8 个模拟结节的体模,由介入放射科医师完成机器人辅助与徒手插入比较。研究报告机器人辅助组的三维偏差、深度偏差和插入时间较小,但横向偏差未见显著差异;这些是体模内的操作学结果,不能转译为人体安全性或临床获益。2 对数据项目而言,体模研究可以帮助定义几何误差和流程记录字段,却不能替代真实人群验证。

导航硬件和实时配准还会引入新的误差源。2025 年一项深度学习与电磁定位结合的经胸穿刺系统研究,把胸部结构分割、三维重建、针尖跟踪和坐标配准放在同一流程中,但验证主要来自幻影和动物实验,作者明确指出人体呼吸、病灶形态差异以及重复进针带来的风险尚需进一步研究。4 这类研究适合帮助定义数据字段,例如呼吸状态、配准标志、更新 CT 和针尖位置,不适合直接替代人体临床验证。

因此,验收应设置硬性闸门与统计指标两层。硬性闸门包括源图像引用错误、左右颠倒、体素方向错误、靶标缺失、硬禁区漏标、中心线明显断裂、未审核数据导出和版本字段缺失。这些错误不能用平均 Dice 或总体合格率抵销。统计层再报告结构重叠、表面距离、中心线偏差、专家返工量、争议类型和候选路径相交情况,并按中心、设备、期相、病灶难度和解剖区域分层。

外部验证至少应留出未参与指南制定和模型开发的中心或设备病例;如果真实条件不允许,至少要用时间隔离、设备隔离或协议隔离建立独立队列,并在报告中承认限制。模型在内部测试集表现良好,却在外部队列中出现胰腺、血管分支或病灶边缘失败时,应先回到数据卡、标签指南和协议分层,而不是马上把问题归咎于标注员。国家药监部门关于高端医疗器械的监管措施还把全生命周期监管、标准化、AI 医疗器械性能评价、评价数据库和上市后监测列为工作方向。8 这支持将指南、数据、版本和评价证据留痕,但不等于本任务已完成注册审查或临床验证。

把数据交付接入研发与业务流程

一个可实施的项目闭环可以从小批量授权样例开始:先核对模态、期相、层厚、空间元数据和数据出域边界,再用少量病例试运行指南和预标注,统计大改区域、争议结构、缺失模式和导出错误。只有当样例能稳定复现“入库—预标注—专家修订—盲审—导出—回读检查”这条链路,才适合扩大批次。试点的重点不是展示一个最顺利的病例,而是尽早暴露协议差异和高风险结构的返工成本。

交付包应至少包含数据字典、标签编码、源序列映射、空间信息、审核状态、指南版本、模型版本、质控记录、失败案例说明和变更日志。对每个病例,最好能回答谁在什么版本的规则下做了初标,谁复核了哪些结构,哪些位置发生争议,最终文件是否通过了空间回读和批次抽检。若交付面向训练,还要区分训练、调参、内部验证和外部测试用途,避免同一病例在不同阶段被重复使用。

对于提供数据基础设施与流程服务的团队,适配价值不应被描述成已经拥有某个专用导航模型或已经完成某项医疗器械注册。更稳妥的表达是:依托数据采集、处理、标注、质检和交付流程,把具体部位、模态和任务规格转化为可执行的项目方案;是否具备某种预标注模型、专家资源、部署方式和交付范围,应以项目评估与书面确认结果为准。这样既能体现研发支持价值,也不会把平台能力、需求建议和临床证据混为一谈。

对医疗 AI 研发团队而言,这类数据的价值不在于标签数量本身,而在于它能否将影像、解剖语义、路径约束、专家决策和版本证据连接起来。经皮穿刺导航的三维 CT 数据如果做到空间可回指、风险可解释、争议可追踪、外部可验证,才有可能在后续算法训练、仿真评估、设备联调和注册资料准备中重复使用。它仍然不能替代医生的术前判断、术中确认或正式临床验证,但可以把研发中最容易被忽略的安全约束,提前变成可检查、可复现的数据对象。

参考来源

  1. Artificial Intelligence-Guided Segmentation and Path Planning Software for Transthoracic Lung Biopsy
  2. Artificial Intelligence–Aided Selection of Needle Pathways: Proof-of-Concept in Percutaneous Lung Biopsies
  3. A method of lung puncture path planning based on multi-level constraint
  4. Deep-learning based electromagnetic navigation system for transthoracic percutaneous puncture of small pulmonary nodules
  5. Robust Segmentation of 104 Anatomic Structures in CT Images
  6. Deep learning algorithm developed using dual-energy CT images for multi-organ segmentation
  7. DICOM PS3.3 2026d - Information Object Definitions
  8. Announcement of the National Medical Products Administration on Issuing Measures to Optimize Whole Life-Cycle Regulation in Support of the Innovative Development of High-End Medical Devices (2025 No. 63)