MEDICAL DATA RESEARCH
肝脏超声标准切面分类:把结构质量标签接入扫查反馈
围绕肝脏超声11类标准切面、核心解剖标志与结构质量分级,拆解图像帧数据、专家复核、模型验证和扫查反馈的验收边界,帮助医疗AI研发与数据采购把切面标签做成可追溯的研究接口。
超声切面分类并不是把一张图简单归入“肝脏”这一大类。对需要训练扫查伺服或实时提示的研发团队而言,真正要回答的是:当前帧属于哪一种预先定义的肝脏标准切面,关键解剖标志是否同时出现,几何关系是否足以支持该切面的研究用途,哪些缺陷来自角度、遮挡、肋骨声影或结构缺失。只有把这些问题写进标签字典,模型输出才可能成为可复核的研发信号,而不是一个脱离影像语境的分类名称。
本文依据一份肝脏超声切面分类技术规范,讨论其适合如何转化为研究数据接口、标注流程和验收方案。原规范的任务是让模型识别标准或非标准肝脏切面,为扫描伺服提供实时切面反馈;它不是肝脏病变检测、良恶性判断或个体诊断任务。文中只讨论经授权的研究数据和项目化标注,图示为原创技术示意,不含真实患者影像,也不表示已经完成实验或临床验证。
一、先把任务边界写清:切面识别不等于疾病识别
源需求的输入是肝脏超声图片,标签至少包括器官类别、切面类型和结构质量,研究目标是识别当前帧所处的标准或非标准切面,并将结果作为扫描伺服的反馈信号。这里存在三个需要分开的层次。
第一层是“看到了什么”:器官字段应表明任务范围为肝脏,切面字段应指向一个稳定的 view_id,而不是把所有腹部超声图像混作一个正类。第二层是“这个切面是否成立”:质量分数描述关键解剖标志的完整性、相对位置和几何关系,不能直接解释为没有病变。第三层才是“怎样用于研发”:模型可以输出切面概率和质量状态,控制系统是否据此移动探头、改变角度或重新采集,则需要另行设计安全策略、时序稳定规则和人工接管条件。
肝脏标准平面的自动分类已有直接研究基础。Wu 等提出过面向八类肝脏超声标准平面的预训练卷积网络分类方法,并在其研究设置中报告了分类准确率;该结果只说明特定数据和类别定义下的研究表现,不能替代本项目的标签字典或跨设备验证。1 另一项研究将肝脏标准切面扩展为十三类,并使用带局部结构注意力的模型识别解剖特征,强调标准切面定义本身是自动扫查的重要前提。2 因此,源规范把“切面名称—核心解剖标志—主要用途”放在一起,是比只给图片类别更可执行的设计。
二、十一类切面要成为可核对的字典
源规范列出肝脏的十一类切面,并为每一类给出英文 ID、核心解剖标志和研究用途。公开交付时不应暴露原始文件名或个体标识,但可以保留以下任务级字典,作为标注人员、算法团队和验收人员共同使用的版本化接口。
LL_AO_Long:经腹主动脉长轴的左叶纵切,关注腹主动脉长轴、膈肌脚或膈肌以及肝左叶外侧段前后缘,用于左叶纵向评估;LL_LPV_Trans:剑突下横切的左叶斜断面,关注门静脉左支的水平部与矢状部、左内叶与左外叶分界及肝圆韧带邻近回声,用于左叶扫查和门静脉左支定位;CL_IVC_Long:剑突下纵切的下腔静脉矢状面,关注下腔静脉肝段、尾状叶和静脉韧带或肝静脉—腔静脉连接区,用于观察尾状叶与下腔静脉形态;RL_Sub_Long:右肋缘下纵切的右肝纵切面,关注右叶实质、膈顶线和肝下缘,可把右肾上极或肝肾界面作为辅助标志,用于右肝纵向扫查;RL_Sub_Obl:右肋缘下斜切面,关注门静脉右支主干及前后支、右半肝实质纹理和肝包膜线,用于右肝及门静脉分支的常规扫查;RL_Max_Diam:右肋缘下经右肝隔顶的斜切面,关注右肝静脉近端入下腔静脉、下腔静脉、右膈面与肝下缘,用于右肝最大斜径的可重复测量;RL_IC_Obl:肋间门脉右支斜切面,关注门静脉右前支和右后支以及右肝实质,胆囊仅作为可选辅助定位,用于补充肋间窗;HV_Conflux:经第二肝门的肋下斜切面,关注左、中、右肝静脉近端汇入下腔静脉区域和下腔静脉管腔,用于肝静脉回流和肝段定位研究;RL_RK_Long:右肝与右肾纵切面,关注右后叶、右肾皮质、肝肾界面和 Morison 窝,用于肝肾回声对比、右后叶扫查及游离液体的研究性观察;PH_IC_Long:右肋间经第一肝门纵向斜切面,关注门静脉主干、肝动脉、胆总管及肝门区周围组织,用于门静脉内径与肝门结构关系的研究性测量;PH_Trans:第一肝门横切面,关注门静脉主干及分叉的横断表现,肝动脉和胆总管为可选辅助结构,用于观察肝门血管横断解剖并与纵切面互相核对。
这份字典的价值不在于把临床扫查机械化,而在于让标签有可观察的依据。例如,HV_Conflux 不是“右上腹的一张图”,而是由肝静脉近端汇合区和下腔静脉共同支撑的结构性类别;PH_IC_Long 与 PH_Trans 虽然都涉及第一肝门,却分别表达纵向与横向的解剖关系,不能为了减少类别而合并。研究者还应给每个 ID 保存当前版本、允许缺失的标志、辅助标志是否必需,以及不合格反例的文字说明。
三、结构质量分数要解决“标准”与“可用”的差异
源规范要求设置 standard_score 字段,并以结构质量为依据描述从完整到缺失的等级。可读原件明确给出 3、2、1、0 四个等级:3 表示目标解剖标志和空间关系完整,几何符合标准;2 表示结构已在视野内但存在角度、位置或遮挡造成的受限;1 表示只能看到部分结构,基本几何框架残缺;0 表示没有目标切面的可靠解剖依据。原件字段名又写成“0–4”,但现有可读定义没有给出 4 级含义。这不是可以由写作者凭经验补齐的空白,正式试标前必须由需求方确认 4 级是否代表更高质量、是否为保留值,或将字段改为与字典一致的 0–3。
为避免把分数误读为疾病结论,公开的数据字典可将分数解释为“切面结构质量”,而不是“临床诊断可用性”。即使原规范在个别等级文字中提到临床使用,也应在项目方案中明确其实际研究用途:模型是要判断扫查是否接近目标平面,还是要支持某项测量的图像筛选,二者的放行口径并不相同。切面合格并不代表图像没有病变,切面受限也不等于患者异常。
质量评分还应与问题原因分开保存。建议在分数之外增加可选的多标签字段,例如角度偏斜、关键结构不全、肋骨声影、局部遮挡、血管斜切、轻微伪影、目标器官离开视野和无法判断。一个帧可能同时存在角度偏斜和声影;如果只能留下一个总分,下游系统无法区分应调整探头方向、改善接触,还是放弃该帧并重新获取。对于不适用、不可见和证据不足,应有独立状态,不要把缺失自动编码成最低分。
2025 年的 AbVLM-Q 研究把腹部超声标准平面分类和图像质量评分放进同一研究框架:其数据来自多中心腹部超声扫描,分别报告平面分类和评分结果,并指出评分边界处容易发生相邻等级混淆。3 这对本任务的启发是,验收不应只看一个总体准确率,还要检查等级混淆是否集中在相邻类别、关键结构缺失是否被识别,以及不同设备和探头分层后是否出现明显漂移。该论文的具体数据、模型和指标属于其自身研究,不能转成朗慧项目或公司的性能承诺。
四、从图片到帧级数据对象:保留时间、设备和复核链
源规范使用图片作为文件格式,并要求保留脱敏对象标识和帧号。工程上更稳妥的最小颗粒度是“对象—检查—序列—帧—标签”。对象层使用不可识别的项目内主键;检查层记录设备、探头和采集上下文;序列层保存视频或连续扫查段的关联;帧层保存图像文件名、帧号、切面 ID、结构质量及问题类型;审核层保存标注版本、复核状态、争议原因和修改历史。公开文章不需要也不应放入真实患者 ID。
如果只交付从视频截出的静态图,仍应保留原始序列关系、抽帧规则和必要的时间索引。相邻帧高度相似,随机按帧划分训练集和测试集会造成信息泄漏:模型可能记住同一次扫查的纹理、设备界面或操作者习惯,而不是学到可迁移的解剖标志。更合适的做法是按对象或检查划分,再在训练集内部处理帧级样本;外部测试则尽量包含未参与规则制定的采集条件。
设备与采集参数也是输入的一部分。设备型号、探头类型、预设、增益、深度、帧率和图像压缩方式会影响组织对比度、声影和结构可见性。若这些字段缺失,模型错误可能被归因于切面定义,或者把某一设备的显示风格误学为标签。对无法可靠判定的图像,标注系统应允许“待复核”或“不可判定”,并记录原因,而不是逼迫专家在四个等级中猜一个答案。
输出也不应只有一个类别字符串。建议保存切面各类别概率、最终 view_id、结构质量分数、问题类型及模型版本;若模型用于实时反馈,还应保存时间窗内的稳定状态和触发原因。切面分类结果可以作为候选反馈信号,但“向何方向移动探头”“增加接触压力”或“重新采集”是控制策略,不应未经独立验证就从标签直接推导。
图1 技术示意:展示对象、序列、帧、切面字典和质量标签之间的可追溯关系;不含真实患者影像,不表示已完成采集或模型训练。
五、专家标注与质控:把解剖标志、分歧和版本一起交付
这项任务的核心质量并不来自“标签数量多”,而来自不同标注者能否依据同一套结构说明作出相近判断。项目启动时应冻结切面字典、核心标志、辅助标志、评分等级、不可判定状态和反例处理方式。培训样例应覆盖标准几何、结构受限、结构残缺、目标缺失、肋骨声影、血管斜切及多个切面相似的难例。源规范没有提供足够的正反例图时,不能假设口头说明已足够,正式生产前应补充经授权的样例包。
推荐采用独立初标、盲审复核、分歧仲裁的流程。初标者填写 view_id、质量等级和问题类型;复核者在不直接看到前一评分的情况下重新判断;若 view_id 或相邻等级存在冲突,提交仲裁并保存引用的规则、争议点和最终版本。不要把专家分歧静默平均掉:一个人判“结构完整”、另一个人判“结构残缺”,往往意味着核心标志或等级边界尚未定义清楚。
一致性评价应匹配任务性质。view_id 属于多分类,可报告宏平均指标、混淆矩阵和每类召回;结构质量属于有序等级,可报告加权一致性或等级相关统计,并单独分析相邻等级与跨级错误;问题类型是多标签,应按标签报告一致性和缺失状态。若类别分布严重不均衡,单一准确率会掩盖少数但关键的标准切面失败。固定阈值、抽样比例和放行条件必须写进项目书面方案,不从论文数字或宣传材料中推导。
质控还应检查医学语义是否被过度扩展。切面标签用于表达影像结构,不应在数据表中自动生成“正常肝脏”“无病变”或“可诊断”等结论。对于 RL_RK_Long 中的肝肾回声对比、PH_IC_Long 中的门静脉内径或 RL_Max_Diam 中的测量姿态,数据工程可以保留测量口径和是否可测状态,但不能把单帧标签写成个体疾病筛查或治疗依据。
六、算法路线与验收:分类、评分和伺服反馈分层验证
一个可解释的基线可以使用共享视觉编码器,同时连接切面多分类头、质量有序评分头和问题类型多标签头。切面头回答“属于哪类 view_id”;质量头回答“结构完整到什么程度”;问题头回答“可能是什么缺陷”。这三个输出可以共享图像特征,但不能在数据字典中混为一个标签。由于相邻质量等级更接近,训练时可以考虑有序损失或软标签;边界样本则保留专家的独立评分和裁决记录。
研究设计应先做单帧离线验证,再做连续帧验证。离线阶段检查每一类切面的召回、混淆、质量等级的有序误差和设备分层结果;连续阶段检查预测是否出现闪烁、短暂遮挡时是否错误切换到另一个切面,以及切面从受限到完整的过渡能否稳定记录。若最终要连接扫查伺服,应再验证反馈延迟、最短保持时间、重复触发、异常输入、人工接管和安全停线。分类模型的离线指标不能直接证明机械控制安全。
机器人超声研究表明,力控制和视觉伺服可以被组织进同一采集流程,但研究结果仍受设备、探头、部位和实验对象限制。2025 年一项自主机器人超声系统研究在特定系统中比较了可重复性,并明确指出单一设备和探头会限制跨系统外推。4 更早的图像质量研究则显示,让模型学习医生对图像内容的质量判断,可以比只依赖像素统计更接近人工评价;该研究使用的是乳腺超声数据,不能替代肝脏切面验证。5
因此,本任务可把验收拆成三道门。第一道门是字典门:十一类 view_id、质量等级和问题类型能否被独立标注者复述,0–4字段的第四级含义是否已经冻结。第二道门是数据门:每帧能否回到对象、序列、设备和原始文件,标签与图像能否一一对应,盲审和仲裁记录是否完整。第三道门是模型门:测试集是否按对象或检查隔离,是否按切面、质量、设备和采集条件分层,连续帧反馈是否有独立验收,外部条件是否被单独报告。
图2 技术示意:展示标签冻结、帧级模型、连续时序和反馈安全门之间的关系;不含真实患者、机械实验或模拟性能曲线,不表示已完成验证。
七、面向研发和数据采购的实际交付边界
对算法团队而言,这类数据的价值是把“找到一张像肝脏的图”转化为可解释的研究接口:模型可以研究标准切面识别、质量分层、困难帧筛选和扫查过程中的状态变化。对数据采购方而言,验收问题应具体到每个字段:切面字典是否有图示级正反例;核心标志是否列出;0–4分数是否定义完整;静态图是否保留序列关系;设备与探头是否随样本交付;问题类型能否多标签;数据划分是否避免相邻帧泄漏;退回样例和争议记录是否可回溯。
朗慧已核验的公司定位是 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项目评估入口。基于这一边界,可以围绕本任务开展需求梳理、标签字典、样例试标、医学影像标注、复核仲裁、元数据整理和交付审计。具体数据规模、人员资质、样本来源、周期、设备覆盖、现货状态和验收阈值,仍需项目授权、书面方案和实际评估确认,不能由本文推断公司已经拥有某个数据集、模型或临床能力。
本文也不把标准切面标签包装成诊断系统。超声图像质量和切面合格只回答研究数据是否符合某项结构定义;它不等同于没有疾病,也不替代完整扫查、报告、病理或具备资质的医务人员判断。模型研发、数据共享、设备联动和真实临床使用,还需要符合适用的伦理、隐私、授权、质量管理和监管要求。对于源规范中尚未定义的第四级分数、正式专家配置、正反例样本、外部验证中心和反馈安全阈值,应在项目开始前补齐并版本化。
参考来源
- Automatic classification method of liver ultrasound standard plane images using pre-trained convolutional neural network
- Ultra-Attention: Automatic recognition of liver ultrasound standard plane images using structured visual perception
- AbVLM-Q: intelligent quality assessment for abdominal ultrasound standard planes via vision-language modeling
- Autonomous robotic ultrasound scanning system: a key to enhancing image analysis reproducibility and observer consistency in ultrasound imaging
- Medical Ultrasound Image Quality Assessment for Autonomous Robotic Screening

