医学影像分割:两位主任画出的肿瘤边界差了30%,算法到底该听谁的?
凌晨两点,标注平台上还剩最后一个病例。肝右叶一个转移灶,张主任勾了一遍轮廓,李主任又勾了一遍。叠上去一比对——体积差了将近三成。
谁错了?
都没错。增强CT上那道强化边缘本来就是一坨糊的,你说它是肿瘤,它有点像水肿;你说它是水肿,它又确实在变亮。医学影像分割这件事,所有的痛苦,几乎都是从这一秒开始的。
我在南京待过几年,那会儿常跑介入科。有次看医生手动画肝脏,一个病例画了四十分钟,画完揉着眼睛说,这活儿真是拿命换。我当时就想,要是能让机器干这个,得省多少命。
算法眼里的“边界”,和你眼里的不是一回事
先说清楚它到底在干嘛。
人看片子,是一张二维灰度图。算法看片子,是一堆数字排成的矩阵,每个数字代表那个位置的组织对X射线的吸收程度。所谓分割,就是让算法给每一个像素——准确说,是每一个体素——贴一个标签:这个点属于肝,那个点属于肿瘤,边上的属于血管。
听起来简单。但“贴标签”这三个字背后,藏着一个残酷的事实:金标准本身就不唯一。
教科书上写,肿瘤边界应该沿着强化区域勾画。可实际上一台增强CT,从注射造影剂到扫描有几十秒的延迟,每个人的血液循环速度不一样,肝动脉期和门静脉期错开几秒,同一个病灶看起来就能胖一圈瘦一圈。更别提呼吸运动带来的层间错位——病人在扫描时多喘了一口气,膈顶那块就花了。
肝脏CT增强扫描门静脉期肿瘤分割标注工作站界面
所以放射科那套“金标准”,严格讲是几位经验丰富的人反复讨论出来的共识。共识会漂移,这就是为什么同一批数据给两家医院标,拿回来往往对不上。
U-Net 是怎么把手工活接过去的
2015年之前,做分割主要靠水平集、图割这些传统方法。效果呢?肝脏整体还行,肿瘤基本靠手。因为传统方法依赖灰度阈值和形状先验,而肿瘤的形状,你根本没法先验——它可能像土豆,可能像八爪鱼。
U-Net 出现之后,风向就变了。
它的结构其实很朴素:一边往下采样,把图像越缩越小,感受野越来越大,让网络逐渐“看清全局”——这个位置大概在肝的哪一叶;另一边往上采样,把图像重新放大回去,同时用跳连接把浅层的高分辨率特征直接拉过来——这里的纹理是细的,边缘是锐的。
这个跳连接(skip connection)是关键。少了它,网络只知道“大概是肿瘤”,边界糊成一团;有了它,才能把细粒度的边缘信息从浅层捞回来。说白了,深层负责“这是啥”,浅层负责“边在哪”。
U-Net医学图像分割编码解码网络结构示意图
后来又冒出 nnU-Net、Transformer 类模型、SAM 的医学微调版本……名字换来换去,底层逻辑没太大变化:把标注数据里的几何规律抽出来,再投射到新病例上。
但技术圈有个毛病,喜欢拿 Dice 系数说话。Dice 0.9,发论文;Dice 0.85,继续调参。可 Dice 0.9 在临床上到底是什么感觉?
我给你算个账。一个直径三厘米的肝转移瘤,体积大约十四立方厘米。Dice 做到 0.9,意味着边界平均差一两毫米。听起来还行?放到立体定向放疗里,这个误差可能直接让处方剂量打到肠子上。真的。所以放疗科对分割精度的要求,跟影像科做科研完全是两个物种。
指标好看,不等于能上临床
指标好看,不等于能上临床
这里得吐槽几句。
很多模型在公开数据集上刷得飞起,换一家医院的机器,立刻崩。为什么?扫描协议不一样,层厚从1毫米变成5毫米,噪声谱变了,重建核变了,造影剂批次也变了。算法学到的与其说是“肿瘤的解剖学特征”,不如说是“这家医院这台机器拍出来的样子”。
还有个更隐蔽的坑:类别极度不平衡。
一张腹部CT,几千万个体素,肝脏可能占一百万个,肿瘤只有两三万。模型只要把所有体素都判成背景,准确率照样能到99%以上。所以做医学分割的人从来不看准确率,看 Dice 看 HD95 看表面平均距离——这些指标专门治这种“全判背景”的懒癌。
小目标更惨。Dice 对体积小的结构天然不友好,一个五十个像素的微小病灶,你边界偏出去十个像素,Dice 直接掉到零点几。可临床上,偏偏是这种小结节最要命。
所以真正落地的时候,靠谱的产品不会只甩给你一张二值掩膜。它们会给出不确定性的热力图——告诉你哪块边界模型自己也拿不准,请医生重点看一眼。这个设计,说实话,比多刷三个点的 Dice 有用得多。
它到底用在哪,又栽在哪
它到底用在哪,又栽在哪
用得最狠的,是放疗靶区勾画。头颈部几十个危及器官,一个一个手动描,一个病人能耗掉医生一上午。自动分割把这块时间压到几分钟,医生只做修正。
还有手术导航——把术前分割的三维肝脏模型投到手术视野里,告诉主刀:切面往左偏五毫米,就碰到门静脉右支了。以及随访,同一个病人前后六次CT,靠算法量肿瘤体积变化,比人眼量尺子靠谱。
但栽跟头的地方也清清楚楚。
第一个是自动化偏见。医生盯着屏幕上一条已经画好的轮廓,很容易就顺着它改,而不是重新独立判断。模型要是系统性偏小,医生的判断也被慢慢带偏。这种错误不吵不闹,最危险。
第二个是失效场景。出血、金属植入物伪影、大量腹水、做过TACE栓塞的肝脏——这些在训练集里占比很低,模型没见过,输出可能离谱到你都懒得看。可这些恰恰是临床上最需要辅助的疑难病例。
第三个,我觉得是最根本的。分割的本质,是把临床共识编码成几何形状。而共识会变。五年前大家认为该切的范围,现在可能主张保守观察。模型训练时冻住的那套标准,两年后可能已经过时了。它没有能力告诉你“这个边界争议很大,去找人聊聊”。
所以回到开头那个问题——两位主任画的轮廓差了30%,算法该听谁的?
谁都不该听。它该做的是把这个分歧本身指出来,把不确定的区域用颜色标亮,然后说:这地方你们自己商量。
工具做到这一步,才算真的进了临床。至于那多出来的三个 Dice 点……嗯,先等等吧。