跳至正文
朗慧科技

MEDICAL DATA RESEARCH

肝脏超声单帧质量标注:让“看得清”成为可反馈、可验收的研发信号

面向医疗AI研发,本文拆解肝脏静态超声图像与视频帧的五级质量标注,覆盖噪声、伪影、失焦、探头接触、数据组织、专家复核、外部验证与扫查反馈验收,明确质量标签不等于疾病诊断。

超声与动态序列AI辅助整理 · 研发交流

当一帧肝脏超声图像出现失焦、散斑噪声、强伪影或探头耦合不足时,算法究竟应该把它判为“低质量”,还是把它当作一次可以修正的扫查提示?这个问题看似只是给图片打一个分数,实际上涉及采集过程、器官可见性、操作者动作、设备差异和模型验收的共同边界。若没有先把“质量”定义成稳定、可复核的标签,后续的自动分级、探头位姿反馈和数据采购都很难形成闭环。

本文讨论一个面向医疗AI研发的具体任务:以肝脏静态超声图像或视频帧为输入,对每一张图像给出五级质量标签,并记录清晰度、噪声、伪影、探头接触和器官可辨性等影响因素,使结果能够服务于扫查状态评估和自动控制研究。这里的质量标签不是病灶分类、良恶性判断或患者诊断,也不等于临床报告是否应当纳入;它首先是对图像能否支持当前扫查和后续算法处理的工程化描述。

一、先把临床任务说准确:评估的是扫查状态,不是替医生下结论

源需求把任务限定为单帧评估,数据可来自静态超声图像,也可来自扫查视频的逐帧切片,目标器官是肝脏。模型的用途有两层:一层是将图像质量分为五个有序等级,另一层是把质量结果反馈给扫查过程,用来判断探头位姿是否可能需要调整。这个定义与“从图像中识别肝脏疾病”有本质区别。质量模型的低分可以意味着看不清、未接触、遮挡或伪影过重,并不能推出没有病变,更不能被转写成阴性诊断。

五级量表可保持源需求的基本语义:1级为极差,图像严重噪声、完全失焦、器官不可辨,或因空气遮挡、探头未接触等原因完全不可读;2级为较差,局部失焦或明显伪影已经影响关键区域,只能看到少部分组织;3级为一般,整体可见但对比度和细节不足,主要结构尚可辨认,适合定位但不宜把它理解为完整诊断依据;4级为良好,器官显示清晰,仅有局部轻微伪影,基本满足扫查质量或机器人调节研究的需要;5级为优秀,细节清楚、边界相对完整、噪声和伪影不明显。项目开始前还应为每一级准备正例、反例和“无法可靠判断”的编码,避免标注人员靠个人经验填空。

这里最容易出现的口径偏差,是把“能否写入扫查报告”当作唯一标准。对于自动扫查研究,某帧即使不足以形成报告,也可能足以判断探头接触是否改善;反过来,某帧看起来清晰,也不代表它覆盖了完整的肝脏范围。因此,质量标签要回答的是“当前采集状态有多可用”,而不是“这张图是否已经完成临床诊断”。这一区分会直接影响标签分布、模型输出和后续控制策略。

国际研究也把超声质量评估视为自主扫查中的独立问题。Song等在IEEE Robotics and Automation Letters发表的研究,以乳腺超声图像为例建立了面向自主机器人筛查的质量评估方法,说明图像质量可以被作为自动扫查流程中的学习目标,而不是只在报告端由人工事后判断。1 近年的机器人超声研究进一步将接触力、探头位置、视觉伺服和图像分析放在同一条链路中,但其系统采用特定设备、探头和仿体,仍需在不同设备、探头和真实人群中验证,不能把单一装置的实验结果直接外推到所有肝脏扫查场景。2

肝脏超声单帧质量标注从输入、标签到扫查反馈的技术链路示意查看完整技术图(可放大)

图1 技术示意:从肝脏超声图像或视频帧形成质量标签与反馈信号;不含真实患者或实验数据,不表示已完成模型训练或临床诊断。

二、数据设计的最小闭环:每张图像都要能回答“来自哪里、看到了什么”

质量标注不能只交付一个分数。最小可用的数据对象至少包括图像文件、脱敏对象标识、帧号、设备型号、采集时间(如有)、器官字段、质量等级、问题类型、标注者和审核者。若图像来自视频,还应保留原始序列标识、帧率或时间索引、相邻帧关系和抽帧规则。否则,研究者可能把同一次扫查产生的高度相似帧随机散落到训练集和测试集,模型看似表现稳定,实则只是记住了设备、操作者或序列纹理。

建议把数据组织成“对象—检查—序列—帧”四层关系。对象层只保存脱敏后的研究标识,检查层记录一次扫查与设备、探头、预设的关联,序列层保存视频或连续扫查段的顺序,帧层承载质量等级和问题类型。这样的结构既能支持单帧模型,也能在后续研究中重新构造时间窗口、连续帧一致性或质量变化曲线。即使当前任务只交付单帧标签,也不应在数据进入项目时丢掉序列来源。

在交付层面,源规范中的目录只是一个可执行的组织示例,不能替代项目最终格式。可将图像按数据源、脱敏对象和帧号归档,并用 labels.csv 记录图像键、对象标识、器官、质量等级、问题类型、标注者及审核关联;metadata.json 再保存设备、采集时间(如有)、序列或帧率、字段字典、脱敏状态和版本号。若项目需要保留原始视频或多帧对象,还应同时交付序列索引、抽帧规则、转换日志和校验信息,使下游能够从一条标签回到原始帧,而不是只拿到一个无法解释的分数。

输入模态要在数据字典中写清楚。静态截图、视频抽帧、电影环中的关键帧、压缩后的图片和原始多帧数据并不是同一种输入。对单帧模型而言,抽帧间隔会改变样本分布:间隔过密会产生大量近重复样本,间隔过稀又可能漏掉探头从未接触到良好接触的过渡。项目可以根据研究问题采用固定间隔、质量变化触发或人工选帧,但必须把策略写入版本记录,而不能让执行人员在不同批次中凭感觉抽图。

设备与采集参数是质量任务的组成部分,而不是可有可无的附注。探头频率、成像深度、增益、动态范围、焦点位置、预设、设备厂商和图像压缩方式都会改变噪声、对比度和边界观感。2026年的肝脏超声图像质量改善研究采用较旧设备图像作为输入、较新设备图像作为目标,使用不同设备域之间的无配对数据进行图像增强;研究仍需在多中心、多厂商和更多协议上验证。3 这对质量标注的启示是:不能把设备造成的外观差异全部归因于病灶或操作者,也不能在没有记录设备字段时宣称模型具有跨设备泛化能力。

质量标签还应与问题类型分开。总体等级是有序的五分类,问题类型可以是多标签,例如失焦、噪声、阴影或其他伪影、探头接触不足、器官不可辨、局部遮挡和曝光异常。一个帧可能同时存在噪声和接触问题,若强迫它只选择一个原因,后续控制算法就无法区分“调整增益”与“重新贴合探头”这两类不同动作。对于“原因不明”“结构暂时离开视野”“无法判断”等情况,应保留明确编码,不应默认为低质量或把缺失直接当成正常。

公开的异质超声数据库研究提供了一个有用的质量治理参照:研究者先做超声内容筛选,再排除严重不清晰、难以判读或匿名化不足的数据,随后由多名专业临床人员进行复核,争议或明显不可用的样本不进入最终资源。4 这并不意味着所有项目都必须采用相同的排除策略,但它说明质量数据的生产过程本身也需要记录。对于研发数据,低质量样本不一定都应删除,因为机器人控制可能正需要学习“未接触”“空气遮挡”等失败状态;更合理的做法是把“可用于疾病分析”和“可用于扫查反馈”分成不同用途标签。

三、算法路线:把五级有序分数和可操作的问题原因同时建模

一个可实施的基线,是使用共享视觉编码器,同时连接有序质量分类头和问题类型多标签头。五个等级不是无序类别,1级与2级的差异通常比1级与5级的差异小,因此训练时可以采用有序回归或累积链接式损失,再与类别平衡的分类损失结合。问题类型头则输出多个独立概率,并允许“未知”或“不可判定”作为单独状态。这样的多任务结构并不保证性能更高,但它能让模型输出更接近实际工程决策:总体质量告诉系统是否需要干预,问题类型提示可能的干预方向。

输入预处理应避免把质量信号抹掉。过度去噪、自动锐化、统一直方图拉伸或把所有图像缩放到同一视觉风格,可能让模型学到的是预处理痕迹,而非原始扫查状态。建议同时保留原始或无损转换版本、处理脚本版本和参数;训练端可使用标准化尺寸和强度范围,但应在验证集中加入未经同一后处理流程的样本。对视频抽帧,模型可以先做单帧质量判断,再在上层增加时间平滑和迟滞规则,避免反馈信号因一两帧闪烁而频繁触发探头动作。

模型输出不应只有一个离散等级。建议至少保留五级概率、最高等级、置信度、问题类型概率和模型版本。若系统用于扫查反馈,还需要把“低质量”与“建议动作”分开:模型可以指出质量下降,但“向某个方向移动”“增加接触”或“重新采集”属于控制策略,需要另行验证。直接把五级分数映射为机械动作,可能把由设备噪声造成的误判放大为不必要的运动,因此应增加最短保持时间、连续帧确认、人工接管和安全停线条件。

算法选择还要考虑标签噪声。五级评分本质上带有观察者判断,边界帧可能被不同专家评为2级或3级,或者4级与5级之间存在合理分歧。与其把所有分歧粗暴地合成唯一类别,不如保留独立评分、裁决结果和分歧原因;训练时可考虑软标签、标签分布学习或对相邻等级给予较小惩罚。这样做不会消除主观性,但能防止模型被迫学习一个并不存在的绝对边界。系统上线前还应检查校准:一个“高置信度的优秀”若在新设备上经常失误,比一个明确提示不确定的结果更危险。

已有研究也提示,质量评估不能只看图像是否“有内容”。2025年一项面向机器人超声筛查的研究提出从正向解剖结构与负向干扰因素两个视角共同评估质量,将边缘、纹理、噪声等特征纳入实时模型设计,强调质量评价需要兼顾结构清晰度和伪影干扰。5 这与肝脏单帧任务的设计方向一致,但该研究使用的是特定部位、设备和数据条件,不能直接替代本项目的肝脏标签规范或外部验证。

四、专家标注:先统一观察口径,再谈一致性指标

源需求要求由副主任医师及以上医师进行标注。这一要求应转化为可执行的人员和记录规则:项目启动时确认资质范围、培训材料、考核样例、标注版本和角色权限;每张图像保存标注者与审核者身份的项目内编号,而不是把个人姓名暴露在公开数据中。标注工作应先冻结量表说明,再进入正式生产;指南发生变化时,必须说明哪些在制样本受到影响,以及是否需要回溯。

标注界面至少需要同时展示当前图像、必要的原始帧信息、五级定义、正反例和问题类型字段。若图像来自视频,可以允许查看有限的上下文帧,但要记录是否看过上下文,避免一部分样本按单帧判断、另一部分样本按连续扫查判断。对于探头未接触、器官不在视野、严重阴影或局部遮挡,界面应提供清晰的互斥或可并列选项;若没有这些选项,标注员往往会把原因压缩成一个主观分数。

推荐采用独立初标、盲审复核和专家裁决的分层流程。第一位专家给出等级及问题类型,第二位专家在不知道前一位选择的情况下独立判断,系统只把冲突样本送入裁决。裁决记录不能只保留最终分数,还要保留争议点、引用的规则、最终决定和版本号。若一个等级长期出现集中冲突,说明指南边界需要修订,而不是简单把某一位专家的决定当作真值。多观察者平均分可以形成总体意见,但平均值可能掩盖“一个人判1级、另一个人判5级”的结构性分歧,因此应同时保留离散评分和分歧类型。

一致性评价要与标签性质匹配。系统综述将超声质量评估中的分辨率、对比度、散斑噪声和伪影列为重要维度,也提醒人工评分存在观察者差异,需结合预定义量表和一致性分析解释结果。6 五级有序标签可考虑加权Kappa或等级相关性;问题类型可报告每一类的敏感性、阳性一致性和多标签一致性;总体分布则应检查五级是否过度集中。不能只报一个总体准确率,也不能把标注者一致性当作临床真值。若不同专家在“可用于定位”和“可用于诊断”之间使用了不同口径,任何统计量都会失去解释力,必须先回到定义和样例。

质量审核还应覆盖数据泄漏和身份隔离。相邻视频帧、同一对象的重复检查、同一设备连续采集的模板化画面,都可能让模型在测试时得到不应有的先验。划分应优先按对象或检查级别进行,再在训练集内处理帧级样本;外部测试集应尽可能来自不同采集条件。检查报告或临床字段若参与标签生成,也要明确它们是否在推理时可用,避免把仅在标注阶段存在的信息泄漏到模型输入中。

五、验证与验收:从“分数好看”转向“反馈可用”

验收不应只问模型在随机测试集上的准确率,而要分成标签质量、模型性能和流程可用性三个层次。标签层要确认五级样本分布、问题类型完整性、缺失编码、元数据完整性、复核记录和争议处理是否符合书面规则。模型层要查看有序等级的混淆矩阵、宏平均指标、加权一致性、概率校准和分层结果。流程层则要确认反馈触发、连续帧稳定、人工接管、异常输入和停线规则能否被另一位工程师复现。

测试集应按设备型号、探头、预设、操作者、采集地点、图像来源和质量等级进行分层。某一层样本太少时,不宜给出看似精确的结论,而应标记为证据不足并在后续试采中补充。尤其要把“未接触”和“器官不可见”作为独立压力测试,因为这两类图像可能在外观上相似,却对应不同的扫查动作。对于视频数据,还应报告从低质量到高质量的过渡是否被平滑捕获,避免单帧指标良好但反馈在时间轴上抖动。

外部验证是这个任务的关键。2025年关于自主机器人超声系统的研究在特定设备、探头和仿体上把力传感器、视觉伺服与图像分析接入同一流程;其结果更适合被理解为系统可行性和复现性证据,而不是所有真实临床人群或不同厂商设备的效果证明。2 对肝脏质量模型而言,至少应设计一个未参与开发的设备或采集流程作为外部测试,并记录设备、预设、操作者和样本纳入差异。若只能做单中心内部验证,应在交付说明中明确这一限制。

验收阈值不能由文章或公开论文替代项目约定。可将试标作为第一道门:先抽取覆盖五级、多个问题类型和多个设备条件的小批样例,核对标签字典是否能被不同专家复述。第二道门是批次质量:确认文件可读取、帧号可回溯、标签与图像一一对应、问题原因可解释、冲突有裁决记录。第三道门是模型和反馈:在冻结的测试集上进行盲测,记录达到放行条件的版本;任何规则修订都要触发受影响样本的回查,而不能在报告中用新规则覆盖旧结果。

对于交付方,最有价值的不是一句“准确率很高”,而是能够提供可复核的资料包:数据字典、五级定义、正反例、标注人员与审核角色的项目编号、版本差分、分层统计、问题清单、返工记录、数据划分、模型输出字段和限制说明。这样,采购方可以在训练端重新读取样例,在模型迭代时识别哪些数据来自旧规则,也可以在设备升级后判断质量分布是否发生漂移。LangData及相关医疗数据服务的公开定位覆盖采集、处理、标注、质检和数据交付等项目化流程;具体模态、人员配置、样本量、周期和验收阈值仍需根据项目书面确认,不能从平台定位推断现成的肝脏质量模型或临床认证。

六、把质量标签放回研发业务逻辑,而不是孤立的“数据字段”

肝脏超声质量标注的研发价值,首先体现在降低后续数据处理的不确定性。训练疾病检测或分割模型时,研究者可以按质量等级做敏感性分析,区分模型在清晰图像和困难图像上的表现;研究采集策略时,可以分析不同设备、探头和操作者产生的质量分布;研究自动扫查时,可以把问题类型映射到候选动作,但把动作策略单独验证。这样,质量数据不是“训练前的一次性清洗”,而是贯穿采集、标注、训练、验证和部署监测的中间层。

也要防止质量标签被滥用。低质量不等于阴性,优秀也不等于没有病变;同一张图像可能适合判断探头是否贴合,却不适合评价小病灶;一个五级分数不能替代完整扫查、报告、病理或其他临床证据。若项目未来要把质量结果用于设备自动控制,必须在独立的安全评估中确认误触发、漏触发、延迟和人工接管策略,并由具备相应职责的团队决定临床使用边界。

肝脏超声质量标签从标注设计到模型与交付验收的验证链路示意查看完整技术图(可放大)

图2 技术示意:标注冻结、分层验证和工程放行的关系;不含真实患者或实验数据,不表示已完成实验、临床验证或统一阈值。

从数据采购角度看,项目方可以把需求拆成几项可询问的问题:输入是静态图还是视频帧,是否能保留序列关系;五级定义是否有正反例,是否允许问题类型多标签;标注者的资质和复核责任如何记录;设备、探头、预设和采集条件是否随样本交付;训练、验证和外部测试如何按对象隔离;低质量样本是删除、保留还是按用途分层;反馈策略是否有人工接管和停线条件。只有这些问题得到书面回答,质量分级才有机会成为可复现的研发接口。

本文讨论的是医学影像研究数据建设和超声扫查质量工程,不构成医疗建议、个体诊断、筛查意见或治疗方案。文中研究结论均限于所引用论文的任务、数据和验证条件;公开研究中的样本数量、设备、指标和实验结果不代表任何服务方拥有同等数据或已经完成同类项目。实际数据使用还需满足适用的伦理、隐私、授权、脱敏、质量管理和监管要求。

参考来源

  1. Medical Ultrasound Image Quality Assessment for Autonomous Robotic Screening
  2. Autonomous robotic ultrasound scanning system: a key to enhancing image analysis reproducibility and observer consistency in ultrasound imaging
  3. Image quality improvement of liver ultrasound using unsupervised deep learning
  4. An annotated heterogeneous ultrasound database
  5. Ultrasound image quality assessment of robot screening based on dual perspective multi feature collaboration
  6. A Systematic Review of Medical Image Quality Assessment