MEDICAL DATA RESEARCH
肝脏超声逐帧分割:把扇形边界、暗区与时序对齐写进数据规范
面向医疗AI研发与数据采购,拆解肝脏超声逐帧分割的扇形有效区、暗区最小假设、无效帧JSON、专家复核、数据划分与外部验证,说明如何把标注规则写成可验收的数据规范。
超声视频中的肝脏边界在某一帧看不清时,标注者究竟应该沿着噪声“补出”一个完整器官,还是保留不可判定状态?这个问题看似只是勾画习惯,实际上决定了训练标签是否把声影、低信噪和探头有效视野误学成解剖结构,也决定了后续模型评估能否追溯到原始帧。对于以肝脏实质分割为目标的超声项目,真正需要交付的不是一组看起来整齐的轮廓,而是每一帧都能与原图对应、每一次边界判断都有规则依据的数据对象。
本文围绕一份肝脏超声器官分割标注规范,讨论如何把临床任务转译为可执行的数据生产流程。源规范的目标是对超声图像序列逐帧标注肝脏实质,用于深度学习分割模型的训练与评估;它不要求对肝脏病变作出诊断,也不要求把肝内血管单独抠出。下文将把输入模态、解剖对象、输出粒度、暗区处理、专家复核、验收和外部验证分开说明。文中图示均为不含真实患者影像的技术示意,不代表已完成实验、临床诊断或任何模型性能。
一、先把“器官分割”定义成可验收任务
该任务的输入是按时间顺序组织的超声图像序列,典型采集几何为凸阵探头形成的扇形有效成像区域。目标输出是与每帧图像一一对应的肝脏实质区域,可以采用多边形、RLE 或二值 mask 的一种或多种形式承载,但项目需要在交付前固定表示方式。源规范要求统一用 JSON 组织字段,因此数据对象的最小关系应是“图像文件—帧号—尺寸—肝脏标签—有效状态—轮廓或 mask”,而不是只保留一张汇总图。
标注主体是肝脏实质区域。肝内血管可以包含在肝脏 mask 内,不需要因为血管纹理而人为挖孔;肾脏、胆囊等非肝脏结构必须排除。这个看似简单的类别定义,决定了标注者不应把“看起来较亮”直接等同于肝脏,也不应把邻近器官的边缘或强回声界面纳入。输出粒度是像素级或轮廓级的帧标签,数据组织粒度则至少包含匿名 subject、序列和 frame 三层。subject 级划分尤其重要,因为相邻帧高度相关,随机把视频帧拆到训练集和测试集,会让结果看起来稳定,却无法说明模型面对新对象时是否可靠。
每帧都应有状态。有效帧需要包含闭合轮廓或等价的二值 mask;低质量帧即便没有可用轮廓,也应生成同名 JSON,写明 valid 为 false 并保留空 shapes。这样做不是把坏数据藏起来,而是把“图像存在但不可可靠标注”与“文件丢失”区分开。对于研究者,它可以在训练时按协议排除或单独建模,在评估时统计不可判定帧比例;对于交付方,它可以在文件级核对中证明图像和标注的索引没有悄然错位。
图1 肝脏超声逐帧分割的数据链路技术示意。图中不含真实患者影像,不表示已完成实验或临床诊断。
二、扇形有效区域是边界规则,不是后处理装饰
凸阵探头的超声图像通常包含扇形有效区域,以及扇形外的黑区或无信号区。若标注者在黑区自由延伸轮廓,模型会被要求学习设备显示界面而不是肝脏解剖。因而,第一道几何质检应检查所有轮廓点是否位于有效扇形内;如果边界在扇形外侧不可见,轮廓只能从最后一个可信点平滑过渡,必要时沿扇形边缘闭合,但不能越过有效成像范围。
第二道规则是目标器官的解剖排他性。肝脏和肾脏、胆囊相邻时,图像对比度可能不足,单纯依赖局部灰度会产生系统性误纳入。源规范把解剖学边界与回声纹理放在同一判定框架中,并将膈肌强回声带、肝包膜等可重复识别结构作为优先依据。实际执行时,标注工具应允许查看相邻帧,而不是逼迫标注者只凭一张放大的静态图作决定。若项目还保留原始视频或多帧对象,帧序、图像尺寸和裁剪记录就成为边界复核的上下文。
第三道规则是拓扑。肝脏 mask 通常应保持边缘平滑和单连通,不能因为散斑噪声出现碎片化区域;轮廓不得自交、重复点导致异常多边形,也不应因为追求“漂亮”而抹掉可见的真实凹陷。平滑只能消除绘制抖动,不能替代解剖判断。这里的“单连通”不是对每一种异常解剖都作绝对推断,而是源任务对常规目标区域的工程约束;遇到不适用情形,应由项目字典规定编码和复议方式。
三、暗区不能用想象填满:最小假设比整齐轮廓更可靠
超声的暗区可能来自探头贴合不足、肋骨遮挡形成的声影、局部衰减或有效成像不足。对标注来说,最危险的做法是在不可辨识的纹理中沿着噪声自由描画,因为这种“补全”会把采集伪影固化为真值。源规范把暗区分成两类:扇形边缘外侧的不可见段,以及扇形内部被遮挡但两端仍有可靠锚点的局部缺口。二者都要求先承认证据边界,再决定是否可以补全。
扇形边缘附近若只有最后一个可信边界点,标注者可以沿可见趋势平滑过渡并闭合;若需要沿扇形边界闭合,轮廓仍必须留在有效区域内。扇形内部的不可见段,如果上下或两侧锚点清楚,可以把锚点作为硬约束,优先采用直线连接或等价的线性插值。只有当直线造成明显不解剖的尖角或折返,才可做轻度平滑,而且不得显著偏离锚点定义的趋势。这是一种“最小假设”策略:宁可承认局部信息不足,也不凭经验添加无法由图像支持的形变。
相邻帧可以提供时序约束,但不能成为自动补画的借口。前后帧只应帮助检查形态是否出现不合理跳变、边界是否在同一解剖界面附近移动;如果关键边界在连续帧中都不可见,仍应进入无效帧或待复核状态。2022 年一项针对超声图像的研究将缩放、时间增益补偿、人工声影和散斑参数图作为超声特异性增强,并指出声影增强本身存在困难和局限。1 这提醒我们,声影不是普通图像噪声,既不能在采集端被随意抹平,也不能在标注端被当作器官轮廓的证据。
四、数据结构要让算法知道“这一笔从哪里来”
建议把数据设计为四个互相可追溯的层级。第一是 subject 层,只保留项目授权范围内的匿名对象 ID 和必要的检查关系,不把可识别身份写入公开稿或训练标签。第二是 sequence 层,记录序列来源、帧率、设备和探头等能解释图像差异的元数据。第三是 frame 层,保存稳定的帧序号、图像文件名、宽高、有效状态和质量原因。第四是 spatial 层,保存 polygon、RLE 或 mask 的坐标与表示类型。若发生裁剪、重采样或格式转换,应同步记录转换版本和坐标系,避免“5 像素”在不同分辨率下被误解为相同的物理边界。
最小 JSON 字段可以包括 image_filename、width、height、organ、valid、shapes 以及每个形状的 label、type 和 points/RLE/mask。organ 固定为 liver 有助于下游解析,valid 则把“没有可靠标签”从空字符串或缺失字段中分离出来。metadata.json 可以记录类别列表、表示类型和 schema 版本;如果目录按 subject 分层,也要确保图像与标注的相对路径在批量导出后仍稳定。文件级校验应覆盖数量、同名关系、尺寸一致性、JSON 可解析性和 schema 版本,而不能只抽看几张图。
完整帧序列的保留价值在于,研究者将来可能重新定义抽帧策略、研究时序一致性,或比较不同设备和操作者带来的变化。已有肝脏超声视频研究把视频抽帧、专家勾画、二值 mask 导出连接成一条数据准备管线,并明确了视频帧率、设备和 B 模式区域等上下文。2 这不意味着所有项目都应复制其采样频率或设备设置,而是说明帧索引、原始视频语境和标签文件之间的关系,应该在数据交付时留下。
五、从规则到算法:先做可解释的单帧基线,再处理时序
研发路线可以分成三个层次。第一层是输入治理:识别有效扇形区域,保留原始尺寸,按项目协议完成必要的裁剪、强度归一化和质量标记。任何预处理都应有日志;若把黑区直接裁掉,要保留原坐标到裁剪坐标的映射,不能让下游误以为模型在完整画布上学习了同样的边界问题。重采样图像与标签时应采用不同的插值策略,并在转换后重新检查轮廓是否越界或出现孔洞。
第二层是单帧器官分割基线。U-Net 类编码器—解码器或带边界分支的模型可以作为起点,输出肝脏主体 mask 和边界相关预测。2024 年发表的边界感知肝脏超声分割研究在两个数据集上比较了多种模型,并同时报告 DSC、IoU、平均表面距离、PPV、真阴性率和真阳性率;研究还指出,重叠指标较好时,边界距离仍可能暴露轮廓细化不足。3 这对本任务的启示不是某个模型一定更好,而是验收不能只看一个区域重叠数值。
第三层才是时序建模。可以将相邻帧的边界趋势、光流或特征记忆加入模型,也可以把单帧预测作为预标注草稿,再由人工按照扇形边界、暗区策略和相邻帧一致性修订。时序模型的风险是把前一帧的错误稳定地传播到后一帧,尤其在探头移动、肋骨遮挡或器官暂时离开视野时更明显。因此,“连续”不等于“每一帧都必须有 mask”;有效性状态和不可判定原因仍应保留。
六、专家标注不是一句“由专业人员完成”
源规范详细定义了边界和输出,却没有指定具体人员资质、机构层级或固定复核比例。实施项目时,必须把这些内容单独写入标注方案,而不能从技术要求中自行推断。较稳妥的做法是让经过任务培训的初标人员依据标签字典完成逐帧勾画,由具有超声解剖判读经验的复核者关注扇形越界、肝肾或肝胆边界、暗区补全、帧间漂移和低质量状态;争议无法通过规则解决时,再交由独立仲裁者决定,并保留争议原因和规则版本。
复核应尽可能区分“看不到”和“没有该结构”。对一帧图像而言,肝脏边界在遮挡中不可见,不等于肝脏不存在;空标注也不等于阴性病例。JSON 中的 valid、质量原因和 shapes 需要共同表达这一点。多角色审核时,复核者不应只检查轮廓是否闭合,还要核对 label 是否仍为 liver、文件是否与原始帧对应、坐标是否来自当前 schema,以及是否有静默修改未记录。
如果使用模型预标注或插值生成草稿,应在系统状态上明确“草稿”和“已审核”的区别。草稿可以降低重复点击,但不得自动进入金标准、训练集或最终验收。每一次规则更新都要标出受影响批次,并对已经通过审核的帧做回溯评估。争议率、无效帧比例、边界修订类型和元数据缺失情况,都是数据质量信息;它们比一个未经定义的“准确率很高”更能帮助算法团队判断数据是否适合目标任务。
七、验收要同时看几何、时序、文件和研究设计
几何验收首先检查轮廓点是否都在扇形有效区域内,是否闭合、无自交、无异常碎片,并排除了肾脏、胆囊等非目标结构。其次检查标注与原图的像素尺寸是否一致,polygon、RLE 和二值 mask 互转后是否仍保持同一对象。源规范给出“标注边界与实际边界误差小于 5 pixel”的项目要求;在实施时应明确参考边界的取得方式、抽检单位、原始或重采样坐标系以及误差计算方法,不能把一个像素阈值包装成所有设备、分辨率和任务都适用的通用临床标准。
模型评价应与分割任务匹配。Dice 和 IoU 反映区域重叠,平均表面距离或其他边界指标反映轮廓偏差;如果输出存在大量无效帧,还应报告有效帧比例、空标注原因和按序列汇总的分布。不能用分类准确率替代分割验收,也不能只报告随机帧的平均值。对于连续视频,最好同时展示逐序列或逐 subject 的结果,避免一个长视频贡献大量高度相似帧而掩盖另一类采集条件的失败。
时序验收应检查帧号是否连续、每张图像是否有且只有一个同名 JSON、无效帧是否仍占据正确索引、相邻帧的形态变化是否出现不合理跳变。数据划分应以 subject 或检查为单位,而不是以单帧随机切分。若同一对象的连续帧同时出现在训练与测试中,模型可能只是在记忆设备显示、探头位置或短时纹理,不能据此推断对新对象的泛化能力。
外部验证需要单独设计。2024 年边界感知研究同时使用了公开视频数据和另一组机构数据,但作者也说明小规模志愿者数据及有限测试对象会限制全面评估。3 更大规模的脂肪肝超声数据研究则指出,不同机构和设备带来的图像质量、采集方式与操作者依赖性,会影响数据一致性;部分图像因肝脏显示不足或质量过低而被排除。4 因而,本项目至少应记录设备、探头、帧率、成像深度、操作者和纳入排除原因,并在条件允许时用未参与规则制定的设备或来源做独立测试。单中心或健康人群结果只能支持相应人群,不能直接等同于临床效果。
图2 肝脏超声分割质控与验证技术示意。图中不含真实患者影像,不表示特定模型效果;指标、抽样单位和外部验证方案需预先冻结。
八、数据公开与业务交付应坚持边界清楚
公开超声数据的可复用性不仅取决于图像数量,还取决于采集条件、标签定义、许可、标注过程和质量记录是否完整。2025 年一项对公开超声数据集与模型的系统整理识别了多个解剖部位和来源的数据资源,并提出以更标准化的方式报告数据集特征,原因正是使用者需要知道数据来自何处、由何种设备采集、是否有标签及其限制。5 对肝脏逐帧分割而言,数据卡至少应写清模态、对象定义、有效扇形约束、无效帧编码、标注版本、划分单位、许可范围和已知偏差。
在项目化交付上,朗慧的已核验定位是 AI 数据基础设施及流程服务商,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评估入口。基于这一能力边界,可以把本任务拆成需求梳理、标签字典、样例试标、逐帧勾画、复核仲裁、文件校验、版本记录和交付审计。具体是否具备某一批次的现货数据、指定专家配置、固定规模或固定周期,仍需在项目评估、授权和书面协议中确认,不能由本文推断。
一个可执行的业务闭环应从少量脱敏样例开始:先确认视频或图像序列、目标肝脏实质的定义和扇形区域规则,再冻结暗区、低质量帧和输出 JSON 的处理方式;试标后统计争议类型,修订规范并标记受影响批次;正式生产时按 subject 或序列组织任务,独立复核边界和文件;交付时同时提供图像—标注映射、字段字典、schema 版本、质量报告和已知限制。这样,采购方买到的是可复核的数据流程,而不是一个脱离任务定义的“超声数据集”名词。
结语:把不确定性作为数据的一部分
肝脏超声逐帧分割的难点并不在于能否画出一条闭合曲线,而在于这条曲线是否有明确的解剖依据、是否被限制在有效成像区域、是否与相邻帧及原始文件保持一致,以及当边界确实不可见时能否诚实地保留无效状态。将肝内血管、邻近器官、暗区、声影和扇形外黑区写进规范,才能让算法评价和数据采购围绕同一个任务展开。
本文讨论的是医学影像研究数据建设与标注工程,不构成医疗建议、临床诊断、筛查意见、治疗方案或疗效承诺。任何模型训练、数据共享和实际部署,都应在适用的伦理、隐私、授权、质量管理和临床验证框架下进行;研究指标代表特定数据和实验设计中的结果,不等同于真实临床效果。对具体个体的影像解释和医疗决策,应由具备相应资质的医务人员结合完整资料作出。
参考来源
- Speckle and Shadows: Ultrasound-specific Physics-based Data Augmentation for Kidney Segmentation
- Deep Learning Algorithms in the Automatic Segmentation of Liver Lesions in Ultrasound Investigations
- Boundary-aware convolutional attention network for liver ultrasound segmentation
- Large annotated ultrasound dataset of non-alcoholic fatty liver from Saudi hospitals for analysis and applications
- On the public dissemination and open sourcing of ultrasound resources for machine learning in medical imaging

