📚 课程目录第3章医学影像元数据与标注体系设计

3. 医学影像元数据与标注体系设计

医学影像数据湖的价值，一半来自像素，另一半来自像素之外的元数据。没有元数据，影像只是无法定位、无法筛选、无法追溯的二进制块；有了结构良好的元数据与标注体系，才能支撑按患者、研究、序列、实例的精确检索，支撑结构化报告回写，支撑AI训练集的构建与审计。本节围绕DICOM标签、四层信息模型、结构化报告、标注数据模型与检索字段规划展开，目标是让读者能够设计出一套可落地、可扩展的影像元数据与标注体系。

一、DICOM标签：元数据的最小单元

DICOM标准用“标签（Tag）”描述影像及其上下文。每个标签由组号（Group）和元素号（Element）组成，例如(0010,0010)是患者姓名，(0008,0060)是模态，(0020,000D)是研究实例UID。标签按VR（Value Representation）定义数据类型，如PN（人名）、DA（日期）、UI（唯一标识）、SQ（序列，可嵌套）。理解标签是设计元数据体系的前提。

实际工程中，标签可分为四类用途：身份与层级类（PatientID、StudyInstanceUID、SeriesInstanceUID、SOPInstanceUID），用于建立四层归属；临床描述类（Modality、BodyPartExamined、StudyDescription、SeriesDescription），用于检索与展示；采集参数类（SliceThickness、KVP、RepetitionTime、EchoTime），用于质控与AI特征；私有与扩展类（Private Creator、私有标签），用于厂商或院内扩展。设计时应优先使用标准标签，私有标签必须登记命名空间，避免冲突。

UID是DICOM的“主键”。StudyInstanceUID、SeriesInstanceUID、SOPInstanceUID必须全局唯一且不可复用。数据湖入库时应校验UID格式（最长64字符，仅含数字与点），并拒绝重复SOPInstanceUID的覆盖写入。

二、患者/研究/序列/实例四层模型

DICOM信息模型是严格的四层树：一个患者（Patient）可有多次研究（Study），一次研究包含多个序列（Series），一个序列包含多个实例（Instance，即一张影像或一个对象）。这四层分别由PatientID、StudyInstanceUID、SeriesInstanceUID、SOPInstanceUID唯一标识。数据湖的目录结构、索引表、检索接口都应围绕这四层设计，而不是把文件平铺存放。

四层模型的关键在于“归属关系不可跨层错挂”。例如，同一SeriesInstanceUID下的所有实例必须共享同一StudyInstanceUID；若入库时发现冲突，应进入隔离区人工核查，而不是强行合并。检索时，患者层用于身份聚合，研究层用于就诊维度，序列层用于检查协议维度，实例层用于精确定位。下面用一张结构图展示四层归属与典型检索字段的对应关系。

三、结构化报告：把结论变成可检索字段

传统影像报告是自由文本，检索只能靠关键词模糊匹配，无法可靠统计“有多少例肺结节直径大于8mm”。结构化报告（Structured Report, SR）用DICOM SR文档把结论编码为“概念—值”对，例如概念“结节最大径”对应数值8.5mm，概念“BI-RADS分类”对应编码值4A。SR的核心是TID模板（Template ID）与编码体系（如SNOMED CT、RadLex、LOINC）。

工程落地时，不必一步到位全量SR。可采用“双轨制”：原始报告文本照常归档，同时抽取关键结论写入结构化字段表。抽取方式包括报告模板下拉选择、后处理NLP抽取、以及医师在结构化界面直接填写。无论哪种方式，都应保留“字段—原始文本—抽取时间—抽取版本”的溯源链，便于质控与回溯。

四、标注数据模型：从像素到语义

标注数据与元数据不同：元数据描述影像本身，标注描述影像中的目标与判断。一个可扩展的标注模型通常包含以下实体：标注任务（Task，定义标注目的、标签体系、质控规则）、标注对象（Annotation，指向具体SOPInstanceUID与帧号）、几何形状（Shape，如矩形框、多边形、掩膜、关键点）、语义标签（Label，来自受控词表）、标注者与版本（Annotator、Version、时间戳）。

几何坐标必须明确参照系。以二维影像为例，约定原点在左上角，x向右、y向下，单位为像素；若涉及物理尺寸，需结合PixelSpacing换算为毫米。三维标注则需说明是否使用患者坐标系（LPS：x向左、y向后、z向头）。全文与图示必须保持一致，切换参照系要显式声明。

{
  "annotation_id": "ann-2024-000871",
  "task_id": "task-lung-nodule-v2",
  "sop_instance_uid": "1.2.840.113619.2.55.3.604688.1.1",
  "frame": 42,
  "shape": { "type": "polygon", "points": [[120,88],[168,84],[175,130],[126,136]] },
  "label": { "code": "RID3874", "meaning": "肺结节", "scheme": "RadLex" },
  "attributes": { "max_diameter_mm": 8.5, "margin": "光滑", "density": "实性" },
  "annotator": "dr_zhang",
  "version": 2,
  "created_at": "2024-06-11T09:23:17+08:00"
}

五、检索字段规划：让查询真正可用

检索字段规划应遵循“分层索引、冷热分离、可组合过滤”的原则。患者层与研究层字段变化少、查询频繁，适合放入关系库或搜索引擎的热索引；实例层字段量大、更新少，适合放入对象存储的元数据表或列式存储。常用检索组合包括：按患者ID查全部研究、按检查日期+模态+部位查序列、按标注标签+直径阈值查实例。

字段规划时需明确三类字段：精确匹配字段（UID、编码值、日期），用于等值过滤；范围字段（年龄、直径、层厚），用于区间筛选；全文/模糊字段（报告文本、序列描述），用于关键词检索。每类字段的索引方式不同，混用会导致性能下降。建议为每个检索接口定义“必填过滤条件+可选过滤条件+排序字段”，避免无约束全表扫描。

常见误区：把DICOM全部标签原样倒入一张宽表。DICOM标签数千个，且不同模态差异极大，宽表会导致大量空列、索引膨胀、查询计划不稳定。正确做法是按四层模型拆表，只把高频检索字段提升为独立列，其余标签以JSON或键值对形式存储，按需解析。

六、落地检查清单

四层UID是否全部校验唯一性与格式，冲突是否进入隔离区？
患者层、研究层、序列层、实例层是否分别建索引，字段是否按精确/范围/全文分类？
结构化报告字段是否保留“字段—原始文本—抽取版本”溯源链？
标注模型是否包含任务、对象、形状、标签、标注者、版本六要素？
几何坐标参照系是否在文档与代码中统一声明，单位是否明确？
私有标签是否登记命名空间，是否有冲突检测？

元数据与标注体系不是一次性设计，而是随检索需求、AI任务、合规要求持续演进的。建议每季度回顾一次字段使用率与查询慢日志，淘汰无人使用的字段，补充高频缺失字段，让数据湖的“目录”始终与临床和科研的真实问题对齐。