MEDICAL DATA RESEARCH
肾脏多期增强 CT 标注:从病灶属性到集合系统的可复核数据链
面向医疗AI研发与数据采购,拆解肾脏多期增强CT的病灶整体、肿瘤属性、囊肿与肾积水标签,说明动静脉和集合系统的期相映射、专家复核、泄漏控制、分层验收与外部验证边界。
当一个肾脏增强 CT 项目不仅要“把肿块勾出来”,还要区分肿瘤、囊性病变、肾积水,并同时保留动静脉、双肾和肾盂—输尿管的三维关系时,真正困难的并不是画笔工具够不够多,而是每一个标签究竟代表什么、依据哪个期相、由谁确认,以及发生争议时如何回到原始切层。若这些问题没有在数据进入算法前写成可执行规则,后续的分割指标、属性分类和几何测量都可能建立在不同版本的“真值”之上。
这类任务适合被理解为研究数据工程,而不是面向个体的自动诊断。下文围绕一个脱敏后的通用需求,讨论肾脏多期增强 CT 中病灶与周围结构如何组织为可训练、可复核、可验收的数据对象。文中“肾癌”“透明细胞癌”等名称用于描述标签语义与证据来源,不用于判断任何具体个人的疾病状态。
一、先把“肾病灶”拆成空间对象和属性对象
肾脏 CT 中的“病灶”至少包含两种不同层级。第一层是空间对象:在规定期相的连续切层上勾画病灶整体边界,输出三维 Mask 或轮廓。第二层是属性对象:说明它属于项目定义的透明细胞癌、其他肾实质肿瘤、囊肿、积水或其他待复核类别。空间边界和属性判断不能互相替代。一个轮廓画得很完整,不代表其病理类型已经被影像单独证实;同样,报告中出现“肾占位”,也不能替代逐层核对后的三维边界。
在一个需要支持算法研发的标签字典中,建议将“病灶整体”“内部成分”“属性判断”“证据来源”和“争议状态”分开存储。病灶整体用于分割;囊性、坏死、出血或实性成分只有在研究终点确实需要时才增加子标签;透明细胞癌或其他肿瘤类别应注明是病理结果、权威临床诊断、影像专家判断,还是项目规则下的派生标签;“证据不足”“待复核”“不适用”和“未见该对象”也应彼此区分。
这一分层与公开研究的经验相符。Zhao 等构建的肾脏肿块 CT 方法先分割双肾,再定位和分割肾脏肿块,最后进行分类;其研究采用回顾性多期增强 CT,并明确将肿块的囊性改变、坏死和出血区域纳入肿块轮廓,同时把分割和分类作为不同任务评价。1 这说明数据结构不能把“哪里”与“是什么”压成一个无来源的类别值。对训练团队而言,保留这两个层级,便于分别研究分割误差、属性判别误差和证据不完整造成的标签不确定性。
源需求中还包含肾内原发肿瘤,以及腹部或肾上腺等邻近部位原发、后来明确侵及肾脏的病灶。为了避免把所有相邻软组织异常都归为肾癌,项目需要在纳入规则中明确“肾脏内病灶”和“直接侵犯肾脏的病灶”两条路径,并把肾盂、输尿管原发病变另行编码。只有当“原发部位”“侵及关系”和“病灶本体”都有足够证据时,才适合建立对应关系;证据不足时,宁可保留待复核状态,也不应由标注人员根据单张图像猜测原发来源。
二、多期相不是图片集合,而是带语境的输入
肾脏增强 CT 常同时包含平扫、皮质或动脉期、实质或静脉期以及排泄期。不同项目、设备和报告习惯可能对期相使用不同名称,不能仅凭文件名推定其时相。入库时应建立项目自己的期相字典,记录原始序列名、采集时间或延迟信息、层厚、像素间距、方向、层面顺序和覆盖范围,并区分“缺失”“未知”和“不适用”。如果把不确定的期相强行映射成确定标签,模型学到的可能是协议差异,而不是病灶特征。
一个可执行的规则通常包含三部分:哪些结构在哪个期相标注;哪些结构需要在多个期相分别保留;不同期相之间如何用检查级 ID、序列级 ID 和病灶 ID 建立对应。病灶在不同增强阶段的可见边界可能变化,不能简单复制一套轮廓到所有序列。若研究要分析强化模式,应保留各期相独立轮廓或至少保留期相关联字段;若某期相缺失、运动伪影严重或扫描范围不完整,则应记录不可直接比较的原因。
对本任务而言,期相字典还要把“结构—期相”写成可执行映射:病灶整体和双肾按规范在静脉期保留,肾动脉及腹主动脉等动脉结构在动脉期保留,肾内静脉、腔静脉主干和副肾静脉在静脉期保留,肾盏、肾盂和输尿管在排泄或延迟期保留。若项目同时要求病灶跨期相观察,应为每一期建立独立轮廓或状态字段,再以检查级和病灶级 ID 关联;未充盈或不可见的集合系统不得凭解剖常识补连。
图1 肾脏多期增强 CT 的期相、标签和证据关系技术示意;不含真实患者影像,不代表已完成实验或临床诊断。
KiTS23 官方资料提供了一个有参考价值、但不能直接照搬的公开基准:其训练集和测试集合计 599 例,标注对象包括肾脏、术前疑似恶性肿瘤和影像学或病理学判断为囊肿的肾脏肿块,图像来自皮髓质期或肾实质期,并用肿瘤、囊肿等层级进行评价。2 它提醒研发团队,囊肿不一定只能作为“非肿瘤阴性样本”处理;如果任务要区分囊肿、肿瘤和其他病灶,类别定义需要在数据结构中明确体现。但 KiTS23 的期相范围和病例构成与一个包含平扫、动脉、静脉和排泄期的项目不同,不能把公开挑战的标签集合当成现成验收标准。
技术上,期相管理还关系到配准和泄漏。呼吸、体位、扫描覆盖和患者运动会使不同序列无法完美叠加。若为了方便将所有期相重采样到一个坐标系,却没有保存变换矩阵和原始坐标,之后很难判断边界差异来自真实强化变化还是配准误差。训练、验证和测试划分也应在检查或患者层面完成,同一检查的多个期相不能被拆到不同集合。否则,模型可能通过共享的空间纹理或扫描协议获得不当优势,表面指标会高于真实外推能力。
三、整体病灶边界与内部成分要分别验收
病灶轮廓的第一原则是先定义“整体边界”,再决定是否需要内部子标签。对于囊性肾癌或含坏死、出血成分的病灶,如果项目目标是病灶检出或总体积测量,内部低密度区通常应按规则纳入整体病灶,而不能因为它看起来像液体或坏死就从外轮廓中挖掉。若研究另行分析实性比例、坏死比例或强化组织,则可以在整体 Mask 内建立子区域,但子区域必须有自己的定义、证据和复核记录。
囊性肾肿块尤其需要避免把影像标签误写成病理结论。Bosniak 2019 更新提案强调,囊性肾肿块的分类依赖解剖和增强特征,同时存在观察者间差异、囊变与坏死难以可靠区分等知识缺口;该分类预测的是恶性可能性,而不是肿瘤生物学行为本身。8 因此,数据集可以记录壁、分隔、结节、增强组织等影像特征,也可以保存专家依据的分类字段,但不应把“囊性”“恶性可能性”和“病理亚型”混成同一列,更不能仅凭 CT 标签宣称已完成病理确认。
边界模糊时,标注者应联动平扫和多期增强图像,优先选择最能显示边缘的层面,再在相邻层面检查连续性。需要关注的几何锚点包括:病灶三维中心或最大径中点、与集合系统最近的点、与肾皮质外缘最近的点以及最大径端点。锚点不是装饰性字段,它们可用于后续几何特征提取和难例复核;但每个锚点都应注明所在期相、切层和计算方法,避免不同标注者把“中心”理解成几何质心、最大层面中心或视觉中心。
边界之外的组织同样要写清楚。正常肾动静脉、肾盂、输尿管、肾周脂肪、肾筋膜和邻近肝脾或肠管不应因为与病灶相邻就被纳入;只有项目证据支持直接浸润或癌栓时,才增加相应的侵犯关系或独立标签。源需求中将“病灶本体”和“直接侵犯”并列处理,说明标注成果不应只交一个混合 Mask,而应至少保留病灶对象、受累结构对象和二者关系字段。
四、肾囊肿和肾积水不能作为同一种“低密度异常”
单纯肾囊肿、复杂囊性肾肿块和肾积水都可能呈现低密度或液体样表现,但它们在解剖位置、形态和多期相行为上不同。囊肿通常是具有边界的囊性对象,属性重点在壁、分隔、结节、密度和强化;肾积水则表现为肾盂肾盏及可能的输尿管扩张,输出重点是集合系统的连续形态、扩张范围和与梗阻相关的结构关系。若把两者都标为“液性病灶”,模型会把肾窦旁囊肿、扩张的集合系统和囊实性病灶混在一起,后续检测和分型都难以解释。
肾积水任务还要求在输入和标签两端保持一致。延迟期若对比剂充盈不完整,未显示的输尿管不能被默认补成连续管道;可以用“不可见”“不适用”或“待复核”记录,而不是凭解剖常识补画。肾盂肾盏和输尿管的起止层面、左右侧、连续性、扩张部位及与病灶或结石的关系,应作为独立字段。对于研究积水程度的项目,还应预先确定是采用体积、最大径、肾实质厚度、集合系统面积,还是影像专家分级,不能在看到数据后再临时挑最容易计算的指标。
近年的研究显示,肾积水相关任务对数据定义和外部验证同样敏感。Becker 等在无增强低剂量 CT 上建立了由肾实质自动分割和影像组学分类组成的积水检测流程,并报告了内部训练/测试设置下的分割与分类指标;该研究的任务是检测积水,不等于对多期增强 CT 中集合系统的逐段标注,也不等于临床筛查效果。7 Lai 等基于多中心平扫 CT 构建感染性肾积水分割和诊断模型,使用不同中心进行外部验证,同时指出病例选择、轻度积水和细菌培养等因素会限制外推。5 这些研究支持一种谨慎的工程顺序:先建立可追溯的集合系统和肾实质标签,再讨论积水检测或感染风险模型,不能从一个任务的结果推断另一个任务已经可用。
上尿路三维分割研究也提示,小体积、长管状且形态变化大的结构容易出现漏标和假阳性。Jin 等在非增强 CT 上研究肾盂和输尿管分割,采用裁剪和分段训练来缓解目标体素占比低、肾盂与输尿管结构差异明显的问题,并由有经验的影像与泌尿系统专家复核标签。6 对多期增强项目而言,这意味着集合系统不能被当作病灶周围的“背景”;其标注应有独立对象、明确的可见性规则和三维连续性检查。
五、血管、癌栓和肾脏轮廓要保留关系,而不是只保留颜色
源需求把静脉、动脉、双肾和集合系统分别放在适用期相中标注。血管的价值不仅是作为训练中的另一种颜色,更在于支持病灶—血管空间关系和可能的侵犯语义。静脉标签可以包括肾内静脉、腔静脉主干和副肾静脉;动脉标签可以包括肾内动脉、腹主动脉和副肾动脉。项目应为左右侧、主干与分支、是否存在解剖变异以及是否存在可疑癌栓留出字段,避免把变异结构的缺失误判为标注错误,或把强化的肿瘤内部区域误作血管。
癌栓尤其需要证据分层。若只是“血管内出现充盈缺损”的影像疑点,可以记录影像征象和待复核状态;若项目要求形成癌栓标签,应明确其依据是增强表现、影像专家共识、手术记录还是病理结果。癌栓是否并入肿瘤整体 Mask,也必须提前约定。公开肾肿瘤数据集常为了保持语义边界而排除肿瘤血栓或只标注原发肿块,KiTS19 的研究说明就指出,肿瘤血栓病例因边界超出原发部位而被排除,这体现的是数据定义选择,不是普遍临床规则。3
双肾轮廓也不应被简单视为预处理步骤。它既可作为病灶定位的解剖先验,也可用于计算病灶相对肾脏的位置、肾实质受累范围和左右侧属性。KiTS19 的公开数据说明包含单中心治疗队列、来自多家转诊机构的异质扫描协议以及以语义分割为主的标签;作者同时提醒,全部病例都含肾肿瘤,不能把在此类队列上得到的高分直接外推到健康人群或一般筛查场景。3 TCIA 的 C4KC-KiTS 页面也明确,影像和分割主要对应皮髓质期/动脉期的特定数据集合,且扫描仪和采集协议存在异质性。4 这正是为什么项目交付时需要同时提供适用人群、期相范围和排除条件,而不只给一个 Dice 数字。
六、算法路线应从标签难度出发,而不是从网络名称出发
多期增强肾脏 CT 的算法可以拆成多个可解释的子任务。第一步是序列准入和期相识别:检查序列是否完整、空间方向是否正确、不同期相是否可关联。第二步是器官和血管粗分割,用于建立肾脏区域和重要解剖结构的空间先验。第三步是病灶候选定位与三维分割,重点处理小病灶、外生病灶、囊实混合病灶和边界贴近血管或集合系统的病例。第四步是属性分类或多任务学习,把病灶整体、内部成分与证据层级分开输出。第五步是关系审计,检查预测的病灶是否落在合理的肾脏邻域,血管和集合系统是否存在不合解剖的断裂或错误重叠。
在数据量、标签质量和显存条件允许时,可以比较 3D U-Net、nnU-Net、级联分割、Transformer 编码器或检测—分割联合路线,但网络名称不应替代任务定义。Zhao 等的级联 3D U-Net 与 ResNet 方法将肾脏定位、肿块分割和肿块分类拆开,并在本地测试、外部数据和 KiTS21 数据上进行了评估;这类结果说明多任务流水线具有研究价值,却不能证明所有期相、所有肿瘤亚型或临床环境都能达到同样表现。1 对小体积肾盂—输尿管目标,Jin 等研究中的裁剪和分段训练则提示,模型结构应适应目标的体素占比与形态,而不是把整腹部体积直接交给单一模型。6
预标注或交互式分割可以减少重复勾画,但其输出必须作为草稿,经过人工复核后才能进入金标准。尤其是病灶边界、坏死和血管侵犯等高风险语义,不能因为模型轮廓平滑就默认正确。模型生成的疑点可用于安排专家优先复核,例如按低置信度、跨期相不一致、与肾脏边界关系异常或与集合系统重叠异常进行分层抽样;但这类主动学习策略会改变被复核样本的分布,最终报告应说明抽样机制,避免把困难样本筛选过程隐去。
图2 病灶分割、专家复核、版本冻结和独立验证的技术示意;不含真实患者影像,不代表实验性能曲线或临床结果。
七、专家标注要解决“谁看到了什么”和“分歧如何关闭”
标注主体应按职责分层,而不是只写一个笼统的“专家标注”。初标人员可以执行已冻结规则,资深影像专家负责边界难例和属性证据复核,泌尿系统相关专家或项目指定仲裁者处理病灶侵犯、癌栓、集合系统关系和无法统一的争议。每次修改都应保留原轮廓、修改后轮廓、修改原因、参考期相、复核角色和版本号。盲审或交叉审核的重点,不只是让两个人各画一次,而是防止第二位标注者被前一份结果暗示,并让最终仲裁依据可回放。
对于标注分歧,建议建立结构化原因码,例如期相不足、边界不可辨、病灶与正常结构相似、囊变与坏死难分、血管或集合系统侵犯可疑、存在解剖变异、图像伪影过重。原因码可以帮助项目负责人区分“规则不清”“数据不合格”和“真实医学不确定性”,也能在后续算法分析中做分层误差统计。未知与阴性必须分开;没有看到病灶不等于该序列足以排除病灶,缺失期相也不等于阴性样本。
质量指标需要与任务粒度匹配。病灶整体分割可以报告 Dice、Surface Dice、边界距离或体积误差;血管和集合系统应增加连续性、断裂率、分支漏标和假阳性结构统计;属性分类可以报告灵敏度、特异度、精确率、校准或混淆矩阵;期相关联则可检查病例级映射准确性、缺失率和错配率。KiTS23 同时采用 Dice 与 Surface Dice,并按层级评价肾脏、肾脏肿块和肿瘤相关类别。2 这类分层思路比把所有对象合成一个总体重叠度更能揭示问题,但公开基准指标不能直接变成某个项目的固定验收线。
八、从试标到交付:验收应检查数据能否被复用
验收的第一道门槛是输入完整性:序列是否齐全,覆盖范围是否包含双肾和病灶,层厚和空间方向是否符合项目约定,是否存在严重伪影。第二道门槛是标签语义:每个对象是否在规定期相出现,病灶整体与子标签是否混淆,囊肿和积水是否被错误合并,正常血管、尿路和肾周脂肪是否被过分割。第三道门槛是三维关系:起止层是否完整,动静脉是否连续,集合系统是否出现不合理断裂,病灶—肾实质—血管—集合系统关系是否与规则一致。第四道门槛是可交付性:标签值、对象 ID、版本号、原始坐标、导出文件和质量记录能否在下游工具中打开并互相回溯。
如果项目约定使用 NIfTI、DICOM SEG 或其他格式,应把格式、方向、体素间距和标签映射作为独立验收项,而不是只检查压缩包是否存在。建议用自动脚本检查文件数量、命名、标签值集合、维度、方向矩阵和 Mask 与原图的空间一致性,再由人工抽查边界和难例。每次规范变更都应形成版本差异清单,说明哪些对象、病例或下游特征受影响;已冻结的训练集不应在无记录的情况下静默重写。
独立验证不能只重复内部随机切分。KiTS19 研究指出,其病例来自一个医疗系统,虽然影像来自多家转诊机构、协议具有一定异质性,但随机拆分仍主要反映内部验证;作者建议未来使用时间和地理上更独立的测试集。3 对多期增强项目,外部验证至少应关注扫描设备、重建层厚、对比剂时相、病例谱、病灶大小、囊实比例以及肾积水或血管变异的构成差异。如果外部数据没有同等级的病理或专家标签,应明确其验证的是影像一致性、流程可行性还是模型性能,不能将不同证据层级混为一谈。
围绕肾脏 CT,朗慧的已核验定位是提供面向项目的 AI 数据基础设施与流程服务,可在授权和项目规格明确后,围绕 DICOM 数据接入、标注规则、复核、质量记录和研究数据交付组织工作。具体能否支持某个期相组合、血管或集合系统的细粒度标签,需要通过样例评估和书面规格确认;不能从通用平台或医疗数据目录推断已经拥有特定病种现货、统一模型指标或临床批准。数据授权、伦理审查、患者隐私、病理证据和临床决策仍由相应责任主体负责。
结语:把不确定性留在数据里,才能让模型结果可解释
肾脏多期增强 CT 的价值不在于把标签数量堆到最多,而在于让每个标签都能回答五个问题:它属于哪一次检查和哪个期相;它在三维空间中代表什么对象;它与邻近结构是什么关系;它的属性由什么证据支持;它由谁在什么版本中确认或修改。对肾癌、囊肿、肾积水、血管和集合系统同时建模时,这五个问题必须贯穿入库、标注、质控、算法训练和交付验收。
公开研究已经展示了多期增强肾脏肿块分割、肾脏和囊肿语义分割、集合系统三维分割以及肾积水检测的不同技术路径,但每项研究都有自己的病例选择、期相、标签定义和验证边界。136 因此,研发团队更应重视项目内的标签字典、难例集、独立复核和外部验证,而不是把某个公开分数直接当作临床可用性的替代。只有当“整体病灶”“内部成分”“邻近结构”“证据来源”和“争议状态”被清楚分开,数据才真正具备可复用、可审计和可继续研究的基础。
研究与应用边界
本文讨论的是肾脏多期增强 CT 的医学 AI 数据设计、标注工程和质量治理,不构成医疗建议、影像诊断、筛查结论、病理判定、治疗建议或疗效承诺。文中疾病名称、影像征象和分类术语仅用于说明研究标签及证据层级。任何个体的影像解释和临床决策,都应由具备资质的医务人员结合完整病史、原始影像、病理和其他必要资料作出。模型研发、数据集建立、对外共享和实际应用还需符合适用法律法规、伦理审查、数据授权、隐私保护、质量管理及独立验证要求。
参考来源
- Automatic renal mass segmentation and classification on CT images
- KiTS23: The 2023 Kidney and Kidney Tumor Segmentation Challenge
- The state of the art in kidney and kidney tumor segmentation in contrast-enhanced CT imaging: Results of the KiTS19 challenge
- C4KC-KiTS: Data from the training set of the 2019 Kidney and Kidney Tumor Segmentation Challenge
- Development and validation of a deep learning-based automated segmentation and diagnosis model for infectious hydronephrosis
- Deep-learning-based method for the segmentation of ureter and renal pelvis on non-enhanced CT images
- Radiomics signature for automatic hydronephrosis detection in unenhanced Low-Dose CT
- Bosniak Classification of Cystic Renal Masses, Version 2019: An Update Proposal and Needs Assessment

