跳至正文
朗慧科技

MEDICAL DATA RESEARCH

上腹部多器官 CT 数据集建设:从采集协议到病灶分割验收的可复核设计

面向医疗 AI 研发与数据采购,拆解上腹部多器官 CT 数据建设中的采集协议、平扫主标注、增强参考、十一类标签、DICOM/NIfTI 空间校验、专家争议处理与患者级外部测试,给出可复核的交付验收框架。

CT与血管影像AI辅助整理 · 研发交流

在上腹部 CT 数据集建设中,真正困难的问题不是“能否收集到一批影像”,而是能否让每一例影像都回答四个相互关联的问题:它来自什么检查协议,哪些器官和病灶应当被标记,标记依据是否能被另一位专家复核,以及算法团队在数月后能否用同一套规则重现训练和测试。平扫、增强期相、报告和像素级掩码如果只是并列文件,数据规模再大也可能无法直接进入模型训练。只有把临床任务、数据语义、标注证据和验收记录放在同一条链路上,数据集才有机会成为可复用的研究基础设施。

这类需求通常面向上腹部异常的检测、分类、定位或三维分割研究,而不是向数据服务方索取某个患者的诊断结论。公开设计时应把采购中的专属名称、授权证明、原始病例和商业条款全部排除,只抽取能够独立成立的技术问题:如何定义病例和序列,如何组织器官与病灶标签,如何处理平扫与增强的证据关系,如何控制标注者差异,以及如何用内部测试和外部测试检验数据是否足以支撑目标算法。

一、先把临床目标写成可验收的任务

上腹部多器官任务至少要在四个粒度上定义范围。病例级回答“是否纳入”和“属于哪一类研究对象”;检查级回答“有哪些 CT 序列、属于何种期相、是否存在配对检查”;对象级回答“病灶、器官或邻近结构有几个、如何建立对象 ID”;体素级则回答“每一层哪些像素属于哪个标签”。如果只写“采集上腹部肿瘤 CT 并完成标注”,执行团队很容易在病灶数量、边界、期相和阴性病例处理上产生不同理解,最后即使文件能够打开,也难以判断是否完成了原任务。

输入通常包括 DICOM CT 序列、定位像、必要的采集参数,以及与检查建立关联的影像报告;若项目允许并且授权链路完整,可将病理报告作为独立证据字段。主标注可以放在平扫 CT 上,增强 CT 用于补充病灶边界、强化表现或器官关系,但二者的角色必须写入标签字典,不能把“有增强影像”误写成“有病理金标准”。输出则不应只是一组 NIfTI 掩码,还应包括病例清单、序列与期相字段、标签编码表、影像与掩码的空间映射、报告文件索引、质量记录和版本差异说明。

病灶闭集也要先冻结。一个可执行的上腹部标签体系可以覆盖肝脏、胆囊、胰腺、脾脏、肾上腺、肾脏及淋巴结相关异常,并把不同肿瘤、良性病变和反应性改变编码成互斥或明确允许共存的类别。某些项目会进一步设置十余个固定标签,例如把肝癌、肝血管瘤、胆囊癌、胰腺癌、胰腺囊性肿瘤、脾脏血管瘤、脾脏淋巴瘤、肾上腺癌、肾癌、淋巴瘤和反应性淋巴结分别编码。这样的列表只有在每个标签都有纳入、排除、边界和证据规则时才有意义;标签名称本身不能代替标注指南。

还要决定采用语义分割还是实例分割。对于多个相邻病灶、病灶与器官边界不清或同一器官内病灶难以区分的情况,强行要求每个视觉区域都成为独立实例,可能制造并不存在的确定性。KiTS19 的三维肾脏与肿瘤数据研究就讨论过病灶实例边界和语义定义的歧义,并选择与任务目标相匹配的语义分割方案;这提醒数据建设者,标签设计要优先服从临床问题和可复核性,而不是追求看起来更细的类别数量。4

上腹部 CT 数据链路示意:从授权入库、去标识化到版本冻结的技术关系。查看完整技术图(可放大)

图 1|上腹部 CT 数据链路技术示意。 图中为本任务原创流程关系,不含真实患者、现货规模、已完成实验或临床诊断结论;具体授权、字段和阈值应以项目书面约定为准。

二、采集协议决定数据能否跨设备复用

上腹部 CT 采集不能用一个“清晰度高”概括。层厚、矩阵、重建核、扫描范围、管电压、管电流、螺距、造影剂期相和设备厂商都会改变灰度分布与边界可见性。项目可以把薄层序列和规定矩阵作为主路径,也可以保留一定比例的不同设备与协议作为多样性补充,但这些比例应被视为项目设计参数,而非通用行业标准。数据集必须保留原始采集元数据,才能在训练后解释模型是否只学到了某一种设备或重建方式的外观特征。

如果需求方把 512×512 矩阵、约 1.0—1.5 mm 薄层、管电压/管电流或螺距范围写入规格,应将它们登记为该项目的准入字段和分层变量,而不是宣传成所有上腹部 CT 都应满足的行业阈值。对每个批次还要记录实际参数、缺失原因和偏离是否允许;否则,后续的设备多样性分析和外部测试无法解释,所谓“符合规格”也无法复核。

完整覆盖应围绕任务而定。若研究对象涉及肝、胆囊、胰腺、脾、肾上腺和肾脏,扫描范围需要足以支持相应器官的连续观察;不涉及某器官时,也要明确其是否可以缺失。严重运动伪影、金属伪影、序列中断和器官覆盖不足应进入排除或待复核状态。若目标是早期病变研究,治疗后改变、广泛转移或严重结构破坏也不能在不说明的情况下混入同一闭集,否则模型学到的可能是晚期形态或术后改变,而不是目标病变本身。

平扫与增强的配对不是简单地把两个文件夹放在同一目录。需要记录检查日期或允许的时间窗口、期相名称、序列层厚、是否同一次检查、是否存在呼吸或体位差异,以及配准是否真正完成。多期相腹部 CT 研究显示,即使同一病例的多期相影像具有对应关系,配准误差、对比剂变化和期相差异仍会影响分割;研究者通常需要保留空间信息、明确训练与测试划分,并用另一来源的数据进行外部测试,而不是把不同期相强行当成同一张图像的重复观测。2

多中心或多设备并不自动等于泛化能力。它只有在元数据齐全、各子群体数量和疾病谱可解释、训练与测试没有同源泄漏时才有价值。TotalSegmentator 的多结构 CT 研究在构建数据时记录了不同站点、扫描仪、层厚、分辨率和造影期相,并把患者级训练、验证和测试拆开;这种“先保留异质性,再解释异质性”的做法,比只报告一个总体平均值更能帮助后续研究判断模型的适用边界。5

三、去标识化要同时处理元数据和像素内容

DICOM 去标识化不是简单删除姓名和检查号。DICOM PS3.15 说明,属性保密配置可以规定如何处理数据集中的潜在身份信息,但采用这些配置并不保证整个信息对象已经不可重识别;真正的去标识化还要结合用途、接收者、适用法规和重识别风险评估。1 因此,流程至少应包括元数据处理、私有标签检查、像素烧录文字或标识图形检查、结构化报告与文件名检查、UID 与纵向关联策略,以及脱敏后的人工复核。

研究所需的年龄区间、性别、扫描协议和设备信息可以在风险评估后保留,但必须采用最小必要原则。过度删除会让偏差分析和外部测试失去依据,过度保留则会增加重识别风险。医学影像工作流标准化研究也强调,数据集应同时记录设备、采集协议、标注方式和质量控制信息,才能支持跨来源复用与复现。8 更稳妥的做法是把“必须保留”“可转换后保留”“必须移除”和“需要个案判断”写进脱敏规则版本,并为每批数据保存处理日志。脱敏工具只能提供过程支持,不能替代数据所有者的授权、伦理审查或对像素内容的复核。

四、从病灶名称走向分层标签和证据链

推荐的标签结构可以分成四层。第一层是病例和检查层,记录纳入状态、检查完整性、治疗史可用性和缺失原因;第二层是序列层,记录平扫、动脉期、静脉期或其他项目定义的期相及序列关系;第三层是对象层,记录器官、病灶、淋巴结或邻近血管的对象 ID、类别和是否多发;第四层是体素层,记录与原始影像一一对应的分割掩码。报告、病理、手术或随访资料属于证据层,必须标记来源、确认角色和时间关系,不应直接压缩成无来源的“真值”字段。

逐层分割的完整性需要明确三件事:同一检查中的所有目标病灶是否都要标,病灶在相邻层面逐渐消失时何时终止,多个病灶相互接触时是否合并。对边界不清、病变类型无法仅凭影像确认或平扫与增强意见冲突的病例,应提供“待复议”“证据不足”“不适用”或项目允许的其他状态。未知、真正缺失、未采集和不能判断不是同一个值;将它们都写成背景,会让后续模型把数据治理问题误学成阴性样本。

输出格式也应服务于复现。无论项目最终使用 NIfTI、DICOM-SEG、RTSTRUCT 还是其他 Mask 形式,都要校验方向、原点、体素间距、层面顺序、矩阵尺寸、标签值和病例 ID 的对应关系。若需求明确指定 NIfTI,交付包仍应同时携带源序列引用、转换或重采样参数、工具版本以及异常记录,不能把“文件能被打开”当作空间对齐已经正确。若文件能打开但掩码在空间上偏移一层,训练管线仍可能运行,却会把错误标签传播到整个数据集;因此格式校验应当是入库与交付的硬闸门,而不是交付后再由算法团队自行排查。

多病灶标签与质量验收示意:从病例级语义、体素边界到外部测试和版本冻结。查看完整技术图(可放大)

图 2|多病灶标签与质量验收技术示意。 图中为本任务原创结构关系,不含真实患者、实验结果、统一准确率或监管批准;指标和放行条件需由项目方预先书面冻结。

五、算法路线应把预标注关进审核状态机

算法路线可以从稳定的三维分割基线开始,再按标签难度引入预标注、提示式模型或多期相特征。对器官和大体病灶,三维 U-Net 或自动配置的分割框架可作为基线;对边界复杂、类别稀少或需要人工交互的病灶,可让模型生成候选轮廓,再由标注员逐层修订。预标注是草稿,不是参考标准;任何未经人工审核的掩码都不应直接进入最终训练集或被表述成诊断结果。

MedSAM 的研究展示了提示式医学图像分割在特定任务上的人机协同潜力,其腹部肿瘤标注实验在少量病例和专家参与的条件下报告了时间成本下降;但该结果属于论文设定下的研究效率观察,不能换算成任意设备、任意病灶或临床环境的固定收益。6 在项目实施中,真正应测量的是草稿需要大幅修改的比例、边界争议类型、专家复核耗时、失败样本分布和版本间差异,而不是展示一次演示中的最好结果。

多期相信息可以用于辅助边界判断、跨序列关联或模型输入,但不宜绕过指南直接做自动融合。平扫和增强的空间差异、呼吸运动、扫描范围和造影时相会制造假对应。对不同期相,建议保留原始坐标和独立序列 ID;如果使用配准结果,应同时保存配准方法、参考期相、变换参数和不可配准原因。模型输入可以从单期相起步,再通过受控实验比较加入增强信息后的变化,避免在训练阶段偷偷使用测试期相或报告字段造成信息泄漏。

六、专家标注、争议处理与质量指标

标注人员的专业角色应与任务匹配。初标可由经过专项培训的医学影像标注人员完成,独立复核应由不同人员或具备相应影像经验的医师承担,涉及复杂边界、期相冲突或病理语义的病例应升级给资深放射科专家。培训不应只有工具操作,还要包括正例、反例、边界模糊例、阴性病例、缺失和不适用状态,以及何时必须提交争议。每次修改应留下人员角色、时间、指南版本和理由。

一致性不应只用一个数字概括。Kappa 可以帮助分析类别或病例级判断的一致性,Dice 和 IoU 反映体素重叠,表面距离更敏感于边界偏移,病例级漏标率则反映完整性。Yang 等对医学图像分割标注者间一致性的研究建议结合热图、Kappa、STAPLE 及 IoU、敏感度和特异度等多种指标,原因正是不同指标会强调不同类型的分歧。7 项目可以设置最低阈值,但阈值必须绑定标签难度、抽样单位和统计口径,不能把某个项目的 Kappa 或 Dice 直接宣传为公司统一能力。

如果需求文本提出“标注精度不低于 95%”或“Kappa 不低于 0.85”,启动前必须补齐计算对象、正负类定义、抽样单位、空标签处理、聚合方式和置信区间;否则这些数字只能作为待澄清的验收要求,不能被改写为现成能力、临床效果或监管门槛。多人独立标注、盲审、争议仲裁和失败批次返工,应与指标定义一起冻结。

争议病例不应被简单平均掉。对于病灶与器官交界、多个病灶相接、增强期相支持不足或报告与影像不一致的样本,应保留独立意见、专家仲裁结论和是否可用于训练、验证或仅作研究观察的状态。若两名专家都无法可靠判定,保留不确定性通常比人为制造整齐轮廓更有价值。必要时可以采用多专家融合形成参考标准,但应说明融合规则和哪些区域存在较高不确定性。

质量控制可以分为四层。自动校验检查文件数量、DICOM 标签、序列完整性、矩阵和掩码空间映射;标注员自审检查漏标、错标、层间跳变和标签冲突;交叉审核比较独立结果并触发争议升级;专家终审确认高风险样本和抽检结果。抽检比例、抽样单位、失败阈值、返工范围和复检方式应在生产前冻结。超过阈值时先停线、更新指南并复标,而不是继续扩量后用平均值掩盖问题。

七、偏差、数据划分与外部测试不能后补

病例配额只能解决一部分类别不平衡,不能自动消除设备、年龄、性别、扫描协议、病程和报告完整性带来的偏差。采集阶段应统计每个病种、标签、期相、设备和人群子组,记录缺失原因,并区分“没有该对象”和“对象存在但无法判定”。如果早期筛查排除了严重晚期病例,后续模型也不应被解释为覆盖晚期或治疗后场景。

训练、调参和内部测试应至少在患者或检查级别隔离,同一患者的平扫、增强和重复检查不能分散到不同集合。CLAIM 2024 更新建议使用“内部测试”和“外部测试”来区分留出的同源数据与来自完全外部数据的数据,并要求报告参考标准的选择理由、标注者数量和资格、测试集标注流程、患者级划分、采集协议以及潜在偏差。3 这套思路同样适用于数据交付验收:不仅要问“有多少掩码”,还要问“掩码依据什么形成、哪些样本被排除、是否存在同源泄漏”。

外部测试应尽量改变数据来源、设备或协议,同时保持标签定义和评价口径可比。多期相腹部 CT 研究的外部测试结果低于内部测试并不奇怪,它反映了机构、设备、标注和病例谱差异,而不是简单说明算法“失效”。2 研究报告应同时给出内部和外部结果、置信区间或不确定性、失败模式和外推限制。无论是分割指标还是数据质检合格率,都只能说明特定任务和样本条件下的观察,不能改写成临床诊断效果、疗效或监管认可。

八、把验收写成可复核的业务闭环

一个可执行的交付包至少应包含五类材料:授权范围和数据来源说明;脱敏后的影像与序列清单;标签字典、标注指南和专家角色说明;质量抽检、争议处理和返工记录;版本冻结、变更表和已知失败模式。若项目还交付报告或病理文件,应把其存在性、字段完整性和与影像的关联方式单独验收。只有图像和掩码而没有这些证据,算法团队很难判断数据是否能用于训练、独立评价或论文复现。

验收建议按“范围、语义、空间、质量、治理”五本账推进。范围账核对病例、序列、病种和排除条件;语义账核对标签类别、对象数量和未知值;空间账核对 DICOM 与 NIfTI/Mask 的方向、尺寸和层面;质量账核对多人一致性、专家终审和抽检失败;治理账核对脱敏规则版本、权限、授权、分区和变更责任。每本账都要有通过、退回和待补充状态,不能用“基本完成”替代可计数的验收结论。

试标或小规模样例评估应先于放量。样例不应只挑最容易的病例,而应覆盖薄层与非薄层、不同设备、平扫与增强配对、边界模糊、多发病灶、阴性和排除情形。样例阶段要测量导入、脱敏、预标注、人工修订、盲审、导出和证据包生成是否闭环;如果标签规则无法让第二位人员独立复述,就应先改写指南而不是直接购买更大规模的数据。冻结后的范围发生变化,应作为新版本或变更单处理,并说明是否影响已验收批次。

从能力适配角度看,数据基础设施与流程服务商可以按项目组织采集、处理、标注、质检和交付,平台也可以承担 DICOM 工作台、任务状态、协同审核、版本和导出记录等工程环节。已核验的企业定位支持把这些内容作为项目化能力来评估,但不等于拥有某一特定病种的现货库存、固定专家规模、统一准确率或已经完成的临床验证。具体数据来源、授权、部署位置、专家配置、格式模块、周期和阈值,都应在样例评估及书面规格中确认。

结语:数据资产的价值来自可追溯而非堆量

上腹部多器官 CT 数据集的研发价值,来自把临床语义、采集协议、三维标签、专家意见和外部测试组织成可审计的证据链。薄层优先、多期相配对、像素级掩码和多病灶闭集只是起点;真正决定数据能否支持算法迭代的,是每个标签为何存在、每个边界如何复核、每个病例如何划分,以及版本变化能否被追踪。公开研究不断推进自动分割和人机协同,但研究性能不等于临床效果,预标注也不等于诊断。把这些边界写进指南和验收,才能让数据采购从一次性交付转向可复现、可扩展的研发流程。

本文讨论的是医疗 AI 数据建设与质量治理,不构成任何个体的诊断、筛查、治疗或用药建议。具体数据共享、伦理审查、个人信息处理、研究用途和临床应用,应由数据所有者、研究机构及具备资质的专业人员依照适用法规和书面方案确认。

参考来源

  1. DICOM PS3.15: Security and System Management Profiles
  2. Multi-phase CT synthesis-assisted segmentation of abdominal organs
  3. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update
  4. The state of the art in kidney and kidney tumor segmentation in contrast-enhanced CT imaging: Results of the KiTS19 challenge
  5. Robust Segmentation of 104 Anatomic Structures in CT Images
  6. Segment anything in medical images
  7. Assessing Inter-Annotator Agreement for Medical Image Segmentation
  8. Enhancing radiomics and Deep Learning systems through the standardization of medical imaging workflows