3. 病灶检测问题定义

在医学影像 AI 中，“分类、检测、分割”经常被混用，但它们回答的是三个不同层级的问题。理解三者的差别，是设计病灶检测系统的第一步，因为任务定义直接决定了标注方式、网络输出、损失函数和评价指标。

三个任务回答不同的问题

分类（Classification）回答“这张图里有没有病灶、属于哪一类”。输入是一张图像（或一个图像块），输出是一个或多个类别标签，例如“正常 / 肺结节 / 肺炎”。它不关心病灶在哪里、有几个、多大。典型输出是长度为 C 的概率向量，经 softmax 归一化后取最大值为预测类别。

检测（Detection）回答“病灶在哪里、是什么、有多大把握”。输入是整张图像，输出是一组边界框（bounding box），每个框附带类别和置信度，通常写成 (x_min, y_min, x_max, y_max, class, score)。检测既定位又分类，是病灶筛查中最常用的任务形式。

分割（Segmentation）回答“每个像素属于什么”。输入是图像，输出是与输入同尺寸的掩膜（mask），逐像素给出类别。语义分割只区分“病灶/背景”，实例分割还要区分不同病灶个体。分割能给出病灶的精确轮廓和面积，但标注成本最高。

三者的关系可以概括为：分类给出“有无”，检测给出“位置+类别”，分割给出“精确边界”。检测可以看作在分类基础上增加了定位回归，分割可以看作在检测基础上把框细化到像素级。

分类 / 检测 / 分割：输入、输出与标注粒度对比 分类 Classification 输入：整图 / 图像块 病灶区域 输出：类别概率向量 [正常 0.1, 结节 0.9] 标注：图像级标签 指标：Accuracy / AUC F1 / 敏感度 / 特异度 不定位、不计数 检测 Detection 输入：整张影像 病灶 + 边界框 输出：框 + 类别 + 置信度 (x1,y1,x2,y2,cls,score) 标注：边界框 指标：mAP / IoU Precision / Recall 定位 + 分类 + 计数 分割 Segmentation 输入：整张影像 像素级轮廓 输出：同尺寸掩膜 H×W 类别图 / 概率图 标注：像素级掩膜 指标：Dice / IoU HD95 / 面积误差 精确边界 + 面积

病灶检测的输入与输出

病灶检测的输入通常是一张二维切片、一个三维体数据（如 CT 的 DICOM 序列）或一段多帧影像。工程上需要明确几个约定：坐标系原点在左上角，x 向右、y 向下；框用 (x_min, y_min, x_max, y_max) 表示，且 x_min < x_max、y_min < y_max；若使用归一化坐标，则除以图像宽高，取值在 [0,1]。这些约定必须在训练、推理、评估和可视化中保持一致，否则框会错位。

输出是一组检测结果。以单张 512×512 的胸部 CT 切片为例，模型可能输出：

[
  {"box": [120, 88, 176, 150], "class": "nodule", "score": 0.93},
  {"box": [310, 240, 342, 276], "class": "nodule", "score": 0.71},
  {"box": [400, 60, 430, 92],  "class": "calcification", "score": 0.55}
]

实际部署时还要做后处理：按置信度阈值（如 0.5）过滤低分框，用非极大值抑制（NMS，IoU 阈值常取 0.5）合并重叠框，再按类别分别保留。三维检测还需在层间做框关联，把同一病灶的连续切片框合并成一个 3D 病灶，避免同一结节被重复计数。

评价指标：从 IoU 到 mAP

检测评估的核心是判断“预测框和真实框是否算匹配”。最常用的度量是交并比 IoU：

IoU = 交集面积 / 并集面积
    = area(A ∩ B) / area(A ∪ B)

当 IoU ≥ 阈值（常用 0.5）且类别一致时，该预测框记为真正例 TP；未匹配的预测框为假正例 FP；未匹配的真实框为假负例 FN。由此得到精确率 Precision = TP/(TP+FP) 和召回率 Recall = TP/(TP+FN)。

把预测按置信度从高到低排序，逐个累加计算 Precision 和 Recall，可画出 PR 曲线，曲线下面积即 AP（Average Precision）。对所有类别取平均得到 mAP。医学检测中常报告 mAP@0.5 和 mAP@0.5:0.95（IoU 阈值从 0.5 到 0.95、步长 0.05 的平均），后者对定位精度要求更严。

临床场景更关注敏感度（召回率）和每例假阳性数（FP/scan）。例如肺结节筛查中，敏感度需达到 90% 以上，同时把每例假阳性控制在 1～2 个以内，否则医生会被大量误报淹没。因此评估时不能只看 mAP，还要看固定工作点下的敏感度与 FP 率。

分类、检测、分割的标注成本依次上升：图像级标签最便宜，边界框次之，像素级掩膜最贵。实际项目中常先用分类做初筛，再用检测定位，最后对可疑病灶做分割量化，形成级联流程。

任务选择与工程权衡

如果只需要判断“有无病灶”，分类足够；如果需要告诉医生“病灶在哪、有几个”，必须用检测；如果要测量病灶体积、做放疗计划或随访对比，则需要分割。检测的输出框可以直接用于计算病灶最大径和位置，但面积和体积估计不如分割准确。工程上还要考虑推理速度：分类最快，检测次之，分割最慢，在移动端或急诊场景需据此取舍。

明确任务定义后，才能确定标注规范、损失函数（分类用交叉熵，检测用分类损失加框回归损失，分割用 Dice 或交叉熵）和评价指标。这是后续数据准备、模型选型和部署评估的共同基础。

← 上一章 📖 返回目录 下一章 →