跳至正文
朗慧科技

MEDICAL DATA RESEARCH

胸腹部平扫 CT 数据集:从 DICOM 序列到报告一致性的验收方法

面向医疗AI研发与数据采购团队,拆解胸腹部平扫CT数据的模态范围、DICOM几何、脱敏、影像报告配对、纳排条件、标签一致性、批次验收与外部验证边界,帮助把可用性写成可复核的技术规格。

CT与血管影像AI辅助整理 · 研发交流

SEO标题: 胸腹部平扫CT数据集采购与验收:DICOM、报告配对和质量控制方法

SEO摘要: 面向医疗AI研发与数据采购团队,拆解胸腹部平扫CT数据的模态范围、DICOM几何、脱敏、影像报告配对、纳排条件、标签一致性、批次验收与外部验证边界,帮助把可用性写成可复核的技术规格。

SEO关键词: 胸部平扫CT、腹部CT数据集、DICOM脱敏、影像报告配对、医学数据验收

搜索意图: 了解胸腹部平扫CT训练数据如何定义输入输出、数据质量、报告关联和可执行验收项,避免把合同口径或平台功能误当成研究数据质量保证。

胸腹部平扫 CT 数据集的难点,不是把一批文件放进硬盘,而是证明每一例检查在进入训练、检索或统计分析前,仍然保有可解释的采集语境。采购方通常同时关心模态和部位、层厚与矩阵、完整覆盖范围、DICOM 可读性、报告或标签关联、数据脱敏以及批次交付。但如果这些要求只写成“影像清晰、数据完整、报告齐全”,验收时就无法回答什么叫完整、哪一个对象算一例、报告与影像如何对应、冲突由谁复核。

本文讨论的是一套面向研发与数据采购的项目化方法:把检查、序列、切层、报告、标签、质量记录和版本组成可回溯链路,再把技术规格拆成可操作的纳入、排除、隔离和复核规则。文中不把任何项目规模、采购价格或交付状态转换成企业现货,也不把研究数据转换成诊断服务。DICOM 是数据交换标准,不等于数据已经完成脱敏;报告写有疾病名称,也不等于标签已经获得病理或临床真值确认。

一、先定义研究对象:一例检查不是一个文件夹

胸部和腹部平扫 CT 的基本对象应至少分为受试者级、检查级、序列级和实例级。受试者级只承担去标识后的研究键与必要的最小人口学字段;检查级记录部位、检查时间的项目化表达、采集目的和检查与报告的关系;序列级记录平扫、重建方式、层面顺序、方向、层厚、重建核等信息;实例级才对应单个 DICOM 图像对象。这样的层级与 DICOM 信息模型中 Patient、Study、Series 和 Image 的关系相容,不能用文件名相似代替对象关联。1

如果项目把“患者”“病例”“检查”“序列”和“重建体积”都称为一例,数据量和划分就会失真。同一次检查的不同重建核、不同层厚或不同窗位可能产生多个体积,但它们不能被当作相互独立的受试者。训练集、验证集和测试集至少应按去标识后的受试者或项目明确的检查组划分,避免同一受试者的高度相关序列跨集合造成信息泄漏。若同一受试者有多个时间点,也要在方案中写清是按受试者隔离,还是按时间点研究,并记录划分规则和版本。

原始技术规格里常会同时出现“保留完整轴向、冠状、矢状位序列”和“只交付横断面序列”两种表述。这不是可以由实施方自行解释的小差异:前者可能指原始数据加重建平面,后者可能指只纳入轴向采集序列。验收前应明确哪些是设备原始序列、哪些是后处理重建、哪些是训练端派生体积;如果只要求横断面,也应说明冠状位和矢状位是否由下游按原始几何重建,而不能把缺失的原始信息用插值包装成完整采集。

胸腹部平扫 CT 数据的可复核验收链路示意查看完整技术图(可放大)

图1:胸腹部平扫 CT 数据从检查级对象、影像质控、临床语义到交付验收的技术示意;不含真实患者信息,不代表任何项目已采集、验收或用于临床诊断。

二、把模态、部位和扫描范围写成纳排规则

胸部平扫 CT 与腹部平扫 CT 的研究任务不能只用“CT”概括。胸部数据可能服务于肺部结构、纵隔、胸膜或全胸部异常的研究;腹部数据可能服务于肝、胰、肾、胃肠道、血管或更宽的腹部范围。技术规格可以同时覆盖多个部位,但必须在字段字典中保留检查部位、目标病种或任务类别的来源,并将部位与报告中讨论的解剖区域进行一致性核对。胸部检查用于腹部标签、腹部检查用于胸部标签,不能因为文本中出现相同疾病词就算作合格配对。

扫描范围是最容易被“文件可打开”掩盖的缺陷。胸部项目可将肺尖至双侧肋膈角作为项目约定的完整范围,腹部项目可约定膈顶至耻骨联合,或在只研究局部病灶时明确病灶相关解剖范围和全覆盖要求。范围判定应由部位字段、连续切层和代表性图像共同支持;“身体没有溢出视野”只是一项几何检查,不能代替解剖覆盖确认。对于缺层、断层、明显截断或覆盖范围不明的序列,正确动作是隔离、补证或排除,而不是自动补层后继续交付。

层厚与矩阵也应被写成项目阈值,而不是笼统宣传的统一质量。来源规格给出了胸部薄层、腹部一定层厚区间以及不低于某一矩阵分辨率的工程要求,但这些数字是特定项目的采购门槛,不是所有临床研究或所有疾病任务的通用医学标准。采购方应同时记录层厚、层间距、像素间距、重建核、扫描仪与型号、管电压和剂量相关字段,在超出阈值时说明是拒收、分层分析还是单独建库。对“近年优先”的时间条件,也要说明日期是否被平移、时间窗是否影响任务代表性,不能把时间新旧直接等同于数据质量。

术后、器官缺如、病灶范围不全或检查部位与目标病种不匹配,通常应进入排除或待复核清单。若研究任务本来就需要术后变化或器官缺如,则应把它们另设标签,而不是套用术前队列的排除条件。纳排条件改变后,旧版出入组记录和派生标签不能静默覆盖,应形成新版本,并保留变更原因、受影响对象和重新验收范围。

三、DICOM 质量不是“能打开”:几何和强度语义都要核对

DICOM 影像对象包含用于描述图像、序列、检查和设备的多层属性。对 CT 数据而言,检查部位、序列描述、图像方向、Image Position、Image Orientation、Pixel Spacing、Slice Thickness、Rows、Columns、重建核、设备信息和强度转换相关字段,往往直接影响三维重建、窗位处理、分割或影像组学。DICOM PS3.3 定义的是信息对象及其属性关系,实施方仍需根据研究任务决定哪些字段是必需、哪些字段只用于质控、哪些字段应去标识后保留。1

“格式统一”不等于简单地把文件改名或放进同一层目录。验收至少应检查 Study、Series 和 Instance 的关系是否完整,Series 是否包含连续切层,切层排序是否依赖空间位置而不是文件名,方向余弦是否与下游读取结果一致,压缩或转换是否改变像素值和空间尺寸。若训练端需要转换为 NIfTI 或其他体数据,转换前后应用同一个脱敏样例核对方向、体素间距、切层数和强度范围,并把软件版本、参数和异常记录随交付物保存。

来源技术规格要求保留某些空间定位字段,这一意图是保护三维几何语义,但不能被理解为原始来源 UID 可以原样公开。DICOM PS3.15 的保密配置允许按规则移除或替换可识别属性,同时提供保留纵向关系、保留安全 UID 等选项;实际处理应重写研究用标识并保持项目内部关联,而不是把源系统的 Study、Series 或 Instance UID 直接带出。2 也不能仅清空姓名和患者号就宣布完成脱敏,因为机构名称、地址、日期、自由文本、私有标签和序列描述可能组合成身份线索。

脱敏还必须处理像素层。烧录在图像上的姓名、检查号、日期或机构标识不属于普通 DICOM 头字段,删除头信息不会使它们自动消失。TCIA 的公开流程把 DICOM 属性、像素烧录文字、UID、日期和去标识后的质量复核分开处理,并强调去标识软件脚本本身不能替代后续验证。3 一项两阶段去标识研究也显示,源端导出后仍可能需要按临床专家意见做属性级复核、再检查私有字段和像素内容,并保存工具版本、处理范围及审计记录。4

DICOM 去标识与空间语义保留的双重核查示意查看完整技术图(可放大)

图2:DICOM 身份字段重写、像素复核、几何语义保留和授权边界的技术示意;不含真实患者信息,不代表任何原始数据已完成脱敏或获准发布。

四、影像、报告和标签要以来源分层关联

如果项目要求每例 CT 配套放射科报告,报告不是影像的附属说明,而是另一个需要单独质控的文本对象。可在规范中要求报告包含检查所见与诊断意见等结构,但不能仅以字数达到某个门槛推断内容可靠。对于年龄段、性别、检查时间、部位、检查目的等字段,应采用最小必要原则并使用去标识后的表达。报告中若提及既往影像,应确认既往检查是否真的可用、是否允许纳入、时间关系是否被改写,以及“比较”语句是否会造成训练泄漏。

影像、报告和疾病标签的关系需要有明确主键。推荐使用去标识的研究键加检查级键建立关联,另外记录报告来源、标签来源、抽取方式、复核状态和版本。不能用姓名、原始病人号、原始检查号或未经处理的机构信息作为公开关联键。一个检查关联多个疾病标签时,应区分“报告提及”“临床诊断记录”“病理结果”“研究者重新标注”和“算法抽取”,并记录每个标签的证据层级。不同来源的疾病名称、分期或分级不一致时,应保留冲突状态,而不是选择一个看似更确定的值。

一篇2024年公开预印本研究说明,影像—报告配对可以支持多模态建模,但报告的章节结构、术语习惯、机构来源和采集协议会影响任务解释。CT-RATE 的研究将非增强胸部 CT 与放射报告配对,并在数据处理中进行报告去标识、影像方向检查、部位筛选和外部数据评估;其单机构来源和报告表述差异同时提醒研究者,配对数据并不自动代表多中心临床分布。5 这类研究可以支持“为何要保留报告结构和外部验证”的方法论,不应被改写成某一采购项目的效果承诺。

报告中的阴性描述也不能简单转为阴性标签。例如“未见明显异常”可能受检查范围、窗位、报告习惯或任务定义影响;“未提及”不等于“明确不存在”。如果使用自然语言模型或规则从报告生成标签,应将抽取结果标为派生标签,并在一部分样本上由具备相应专业资质的人员复核。RadGenome-Chest CT 的工作展示了把报告句子与解剖区域、异常实体和分割区域建立结构化联系的路线,同时也说明自动处理需要层级一致性检查和后处理。6 项目交付时应区分原始报告、清洗后的报告、自动抽取标签和人工确认标签,避免把多个版本拼成一个无来源真值。

五、质量控制要覆盖伪影、连续性和不确定性

影像质量检查可以分为文件级、序列级、检查级和语义级。文件级检查关注是否可读、是否损坏、编码是否符合约定;序列级检查关注切层连续性、层厚、间距、方向和强度转换;检查级检查关注胸部或腹部范围、部位匹配和多序列之间关系;语义级检查则关注报告、标签和病种分类是否来自可追溯证据。四层检查不应由一个“通过”字段替代,每一层都应能给出异常代码、处理意见和版本。

来源规范列出的运动伪影、金属干扰、呼吸伪影、环形伪影和水印,应该对应可观察的判定条件。可以使用模型计算人体中线或姿态角度,但角度阈值必须与坐标系、模型版本、失败状态和人工复核规则同时定义;它不是脱离任务的通用医学标准。模型无法读取、视野截断、姿态异常或伪影影响范围不明确时,输出应是“需复核”或“无法判定”,而不是把模型分数直接当成临床可用性。

对病灶或疾病标签的质控也要保留不确定性。影像观察、报告诊断意见、病理结果和研究标签可能处在不同证据层级。项目可设置“明确”“疑似”“未提及”“证据不足”“不适用”“缺失”和“冲突”等状态,但每个状态都要有定义和示例。特别是当规格要求影像、报告、病理和标签疾病名称一致时,不能把不一致的数据悄悄改成一致;应将其隔离,说明冲突来源,并由项目指定的专业人员决定是否排除、保留为争议样本或重新标注。

专家和标注者的角色也要写清楚。标注员可以执行已经冻结的标签指南,复核人员可以检查边界、部位、报告关联和字段逻辑,争议仲裁者负责处理规则未覆盖或证据冲突的样本。文章不虚构任何专家数量、资质或医院合作;实际项目应记录人员角色、审核范围、盲法安排、复议依据、修改前后版本和签署责任。质量指标如完整率、序列连续率、报告关联率、一致性或返工率应在项目书中定义分母、抽样单位和缺失处理,不应把某个数值当成企业统一保证。

六、把验收写成“样例—批次—下游”三段式

第一段是样例试运行。样例必须已经获得适用授权并完成必要去标识,不应上传真实个人材料来证明平台能否工作。试运行至少走通:DICOM 导入与读取、目录和主键生成、报告关联、字段校验、异常隔离、必要的转换、输出清单和问题回修。样例既要包含合格案例,也要包含预期会被拒收或进入复核的边界案例,例如缺层、部位不匹配、报告缺段落、标签冲突和像素烧录文字。只有看见失败路径,验收脚本才不是功能演示。

第二段是批次验收。每批次应有 manifest 或清单,列出检查级研究键、序列数、派生文件、报告关联状态、排除和隔离数量、质量版本及问题单编号。批次之间不能只比较总文件数,还要比较模态和部位分布、层厚区间、设备与协议分布、标签分布和缺失模式。若项目约定不同病种或部位的比例,应将比例视作项目交付条件,不把采购比例写成某一公开数据集的代表性证明。

第三段是下游复核。算法团队在实际训练读取环境中打开经脱敏的样例,验证方向、体素间距、强度语义、报告键、标签键和患者级划分;统计或数据治理团队检查数据卡、来源说明、授权范围、处理日志和版本变更。对于 DICOM 转换出的 NIfTI、Mask 或表格,交付物应标明其来自哪一版原始序列、由什么工具和参数生成、是否经过人工检查。下游可读不等于临床可用,但下游无法稳定重现就不能宣称研究交付闭环。

验收阈值不应从别的项目复制。比如层厚、矩阵、报告长度、伪影等级、标签一致率或返工时限,都必须对应当前研究任务、样本来源和统计口径。来源技术规格中出现的具体阈值,可以作为需求方与供应方协商的项目条件;如果阈值在原始规范中未定义分母、例外和判定工具,就应先补充验收脚本,而不是在文章里替它解释成统一行业标准。对有争议的条目,可以约定复核时限、证据要求、补交格式和版本冻结点,但不要把合同救济条款公开成医学质量结论。

七、研发价值来自可复核交付,而不是规模口号

对模型研发而言,平扫 CT 数据的价值通常来自几个可复核条件:输入模态和部位定义清楚,三维几何不被转换破坏,标签的来源和状态可追溯,报告和影像的关联不靠猜测,训练和评估没有患者级泄漏,异常和缺失不被静默删除,外部验证能够说明协议、人群和设备变化。一个规模较大的队列如果这些条件不清楚,仍然可能只适合探索性分析;一个规模较小但规则、版本和证据完整的队列,反而更容易被复现和审阅。

朗慧科技公开定位为 AI 数据基础设施及流程服务商,能力边界应表达为按项目规格开展数据目录、处理、标注、质检和交付的项目化支持。若具体项目需要胸腹部平扫 CT 数据,应在需求评估阶段确认来源授权、模态范围、纳排标准、报告和标签的可用性、脱敏方案、交付格式、质控角色、返工规则和下游验证环境。公开页面的目录或规划口径不能被解释为现货数量、已完成采集、医院合作、模型效果或临床批准。

项目可交付物可以包括去标识后的 DICOM 或经确认的派生格式、字段字典、影像与报告关联表、标签说明、数据卡、质量摘要、问题与返工记录、处理工具及版本、变更日志和验收证据包。若需要标注或报告结构化,应把任务、标签定义、人工复核和争议处理单独写入方案;平台支持某种格式或流程,不代表某项医学语义已经被专家确认,也不代表产品可以替代医生或研究者作出结论。

八、发布与使用边界:技术数据不是临床结论

胸腹部平扫 CT 数据建设涉及个人信息保护、数据安全、来源授权、伦理要求和研究用途限制。合法来源、用途许可、伦理审查和 DICOM 脱敏分别解决不同问题,不能用技术清洗代替授权,也不能用合同中的合规承诺代替真实审计。公开文章不披露合同主体、客户、联系人、价格、来源地区、患者记录、数据库样例或内部经营条件;任何具体项目的权利范围和交付状态,以项目书面文件和适用法规为准。

本文面向医疗 AI 研发和数据采购人员,讨论的是数据规格、工程质量和验收设计,不构成患者个体的诊断、筛查、分期、治疗或用药建议,也不构成某一模型的临床性能证明。任何涉及疾病判定、病理确认或临床处置的结论,都需要由具备相应资质的医务人员基于完整临床资料作出。本文图示为不含真实患者信息的技术示意,不代表真实数据、实验结果或已完成交付。

结语:把“可用”拆成能被复核的句子

一套胸腹部平扫 CT 数据是否适合研究,不应由总例数或宣传性“高质量”决定,而应由一组可以逐项核对的事实决定:研究对象是否定义清楚,部位与覆盖范围是否匹配,DICOM 几何和强度语义是否保留,身份字段与像素内容是否分别去标识,报告和标签是否有来源分层,异常和冲突是否进入隔离,划分是否避免泄漏,批次是否可追踪,下游是否能按同一版本复现。将这些问题写进规格、样例脚本、批次清单和证据包,数据采购才从文件交付走向可复核的研究基础设施。

参考来源

  1. DICOM PS3.3 Information Object Definitions
  2. DICOM PS3.15 Security and System Management Profiles
  3. Submission and De-identification Overview
  4. A Two-Stage De-Identification Process for Privacy-Preserving Medical Imaging Data
  5. Generalist Foundation Models from a Multimodal Dataset for 3D Computed Tomography
  6. Development of a large-scale grounded vision language dataset for chest CT analysis