3. 标注任务类型与临床场景
在医学影像标注工程中，“任务类型”并不是一个学术分类标签，而是直接决定标注界面、标注文件结构、质控指标和下游模型评估方式的工程契约。同一幅胸部 CT，如果目标是“有无肺结节”，输出是图像级标签；如果目标是“结节在哪里”，输出是边界框；如果目标是“结节体积与边缘”，输出是像素级掩膜；如果目标是“随访中结节是否长大”，则还需要跨时间点配准。选错任务类型，往往不是精度差一点，而是整个数据集无法用于训练。因此，本节按分类、检测、分割、关键点、配准五类任务，逐一说明其临床需求、标注对象、输出规范与常见质控要点。
分类标注：图像级或病灶级标签
分类标注回答“是什么”或“有没有”，输出是离散类别或概率标签。临床场景包括：胸部 X 线片正常/异常二分类、乳腺钼靶 BI-RADS 分级、皮肤镜图像良恶性分类、CT 肺结节良恶性分类。分类标注的粒度可以是整幅图像、某个器官区域，或某个已定位病灶的 ROI。其输出规范通常为 CSV 或 JSON，字段包括 image_id、label、label_name、annotator、confidence。对于多标签任务，需明确标签是否互斥，例如“肺炎”与“胸腔积液”可共存，而“左肺”与“右肺”在单侧病灶任务中互斥。质控重点是标签定义一致性：同一张“磨玻璃影”图像，不同标注者可能分别标为“炎性”或“肿瘤”，因此必须提供带典型示例的标注手册，并定期计算 Cohen's Kappa 或 Fleiss' Kappa。分类标注的常见陷阱是“正常”类被过度采样，导致模型对罕见阳性不敏感，因此需在采样阶段记录类别分布。
检测标注：定位与分类的联合输出
检测标注回答“在哪里、是什么”，输出为边界框（bounding box）加类别。临床场景包括：肺结节检测、骨折检测、乳腺肿块检测、脑出血区域检测。边界框通常用 x_min, y_min, x_max, y_max 表示，坐标原点约定为图像左上角，x 向右为正，y 向下为正，单位为像素。若图像经过重采样，必须记录 spacing 与 origin，否则框的物理尺寸无法还原。检测标注的规范要求包括：框应紧贴病灶外缘，包含完整病灶但不过度外扩；对于相互重叠的多个病灶，应分别标注并允许框重叠；对于直径小于 3 mm 的微小结节，可约定“仅标注直径≥3 mm”以控制标注成本。质控指标常用 mAP（mean Average Precision）和召回率，但标注阶段更应关注“漏标率”和“框冗余率”。一个实用做法是让两名标注者独立标注同一批图像，计算框的 IoU 匹配率，若某病灶仅一人标注，则进入仲裁。
分割标注：像素级边界与掩膜
分割标注回答“每个像素属于什么”，输出为与图像同尺寸的掩膜（mask），常见格式为 PNG 单通道、NIfTI 或 RLE 编码。临床场景包括：肝脏、肾脏、胰腺等器官分割，脑肿瘤分割（如 BraTS 的增强区、瘤周水肿、坏死核心），肺叶分割，血管分割。分割标注的规范最复杂：首先需定义标签体系，例如 BraTS 使用 0 背景、1 坏死核心、2 水肿、3 增强肿瘤；其次需定义边界规则，如“肿瘤边界以 T1 增强序列为准，水肿边界以 T2-FLAIR 为准”；再次需处理多序列配准，确保各序列掩膜空间对齐。质控常用 Dice 相似系数和 Hausdorff 距离。标注阶段应特别关注“边界模糊区”和“小结构漏标”，例如胰腺钩突、血管分支。一个可执行的检查是：对每个掩膜计算体积，若某病例肝脏体积小于 800 mL 或大于 2500 mL，则触发复核，因为成人肝脏体积通常在此范围附近。
关键点标注：解剖标志与测量点
关键点标注回答“这个解剖标志在哪里”，输出为若干离散坐标点，可带可见性标签。临床场景包括：脊柱椎体中心点、髋关节中心点、胎儿超声标准切面中的丘脑、透明隔腔、小脑等标志点，以及心脏超声中的瓣环点。关键点标注的规范要求：每个点必须有唯一名称和序号，例如 L1_center、L2_center；坐标原点与检测任务一致；对于不可见点，应标记 visibility=0 而非随意填坐标。质控重点是点位的解剖一致性，常用“点间距离”和“角度”作为间接指标，例如脊柱侧弯 Cobb 角测量中，椎体中心点偏移 2 mm 可能导致角度误差数度。关键点标注通常需要高分辨率显示和放大工具，标注者应在放大 2～4 倍下操作。
配准标注：跨时间、跨模态的空间对应
配准标注回答“这两幅图像中同一解剖位置如何对应”，输出为变换矩阵或对应点对。临床场景包括：随访 CT 中结节生长评估、PET-CT 融合、术前术后 MRI 对比、多模态脑影像对齐。配准标注的规范包括：明确参考图像与浮动图像，约定变换类型（刚性、仿射、非线性），并记录变换参数。对于点对标注，需在参考图像和浮动图像上分别标出同一解剖标志，输出 fixed_point 与 moving_point 坐标。质控常用目标配准误差（TRE）和 Dice 重叠率。标注阶段应避免选择“易变”标志，如肠道气体边缘，而应选择骨性标志或血管分叉。若配准用于放疗计划，还需记录配准后的剂量分布是否可接受。
输出规范中的坐标系与文件约定
五类任务共享一套底层空间约定，必须在项目启动时写入标注手册。图像坐标原点统一为左上角，x 向右为正，y 向下为正；若使用 NIfTI 格式，则遵循 RAS 或 LPS 约定，并在元数据中明确 qform 与 sform。检测框和关键点使用像素坐标，分割掩膜使用与图像同尺寸的矩阵，配准变换使用 4×4 齐次矩阵。所有文件应包含 patient_id、study_id、series_id、annotator、annotate_time、version 等字段，以便追溯。对于多标注者任务，建议采用“双人独立标注 + 第三人仲裁”模式，仲裁结果作为金标准，并保留原始标注用于一致性分析。
最后需要强调，任务类型的选择应服务于临床问题，而不是反过来。若临床只需要“有无”判断，分类标注成本最低；若需要体积随访，则必须分割加配准；若需要手术导航，则关键点和配准缺一不可。在项目设计阶段，应与临床医生、算法工程师和标注团队共同确认输出规范，并先用 20～50 例做试点标注，计算一致性指标，再决定是否扩大规模。只有任务类型、临床场景与输出规范三者对齐，标注数据才能真正转化为可用的医学 AI 资产。