📚 课程目录第2章医学影像数据模态与训练集构成

2. 医学影像数据模态与训练集构成

在医学影像训练集质量评估中，第一步不是看标注是否精细，而是先确认“数据到底是什么”。不同成像模态的物理机制决定了图像的灰度含义、空间分辨率、噪声结构和临床语义，而这些差异会直接影响模型能学到什么、评估指标是否合理，以及训练集能否被正确复用。一个看似“图像很多”的数据集，如果模态混杂、格式不统一、元数据缺失，往往在训练前就已经埋下了偏差。

五种常见模态的成像特点

CT（计算机断层扫描）基于X射线衰减，像素值以HU（Hounsfield Unit）为单位，具有近似定量的物理意义：水约为0 HU，空气约-1000 HU，骨皮质可达+1000 HU以上。CT图像空间分辨率高、采集快，常用于急诊、肿瘤筛查和骨结构评估。其训练集通常需要关注窗宽窗位（如肺窗、纵隔窗、骨窗）是否统一，因为同一套DICOM在不同窗设置下呈现的对比度差异极大。

MRI（磁共振成像）依赖氢质子在外加磁场中的弛豫特性，同一解剖部位可产生T1、T2、FLAIR、DWI等多种对比度。MRI没有类似HU的绝对定量单位，信号强度受扫描参数、线圈和场强影响，因此跨中心数据常存在明显的强度漂移。训练集中若混合不同场强（1.5T与3.0T）或不同序列，必须记录序列类型，否则模型可能把“序列差异”误学成“病变差异”。

X光（X射线摄影）是二维投影成像，组织前后重叠，缺乏深度信息。胸片、骨片是常见对象。其灰度动态范围大，常需窗宽窗位调整或直方图均衡。X光训练集的关键在于投照体位（正位/侧位）、设备类型和是否包含网格伪影。

超声利用高频声波反射成像，实时、无辐射，但图像受操作者手法影响大，存在斑点噪声、声影和扇形成像几何。超声图像通常不满足DICOM的规则网格，且不同探头（凸阵、线阵）视野差异显著。训练集需记录探头型号、检查部位和增益设置。

病理图像来自玻片扫描（WSI），分辨率可达0.25 μm/pixel，单张全切片可达数万×数万像素。病理图像颜色受染色批次影响，常见H&E染色。训练集通常以切片为单位组织，需记录染色方法、扫描仪型号和放大倍数。

DICOM与NIfTI：两种格式的分工

DICOM是临床采集与归档的事实标准，一个检查包含多个SOP Instance，每个实例携带丰富的标签：患者信息、设备参数、图像几何、窗设置等。DICOM的像素数据通常以原始存储值保存，需结合Rescale Slope/Intercept转换为HU或信号强度。它的优势是信息完整、可追溯，缺点是文件数量多、读取慢、标签私有化严重。

NIfTI则更贴近科研与算法训练，通常将三维或四维数据存为单个.nii或.nii.gz文件，头信息精简，包含体素间距、方向矩阵和数据类型。NIfTI不保留DICOM的采集参数和患者信息，因此从DICOM转NIfTI时，必须同步导出关键元数据表，否则训练集将失去可追溯性。实际工程中常见做法是：DICOM作为原始归档，NIfTI作为训练输入，两者通过唯一标识（如StudyInstanceUID + SeriesNumber）建立映射。

训练集构成的四个层次

一个可用的医学影像训练集，至少应包含图像、标注、元数据和患者信息四个层次。图像层决定模型输入；标注层决定监督信号；元数据层决定可复现性与偏差分析；患者信息层决定伦理合规与分层评估。四者缺一不可，且必须通过稳定ID关联。

以肺结节CT训练集为例：图像层为各患者胸部CT序列，层厚1.0 mm，重建核为肺算法；标注层为放射科医师勾画的结节分割掩膜及良恶性标签，并记录标注者年资与审核状态；元数据层包含设备型号、管电压、管电流、重建核、层厚、像素间距；患者信息层包含匿名ID、年龄、性别、吸烟史和病理随访结果。若缺少元数据中的重建核，模型可能把“锐利核”误学为“结节边缘特征”；若缺少患者信息中的随访结果，就无法进行分层评估。

在构建训练集时，建议先定义一份“最小元数据字段表”，明确哪些字段必须随图像一起交付。常见必填项包括：模态、序列/体位、层厚或像素间距、设备厂商与型号、重建核或扫描参数、匿名患者ID、标注版本。字段表一旦确定，后续所有数据入库都按同一标准校验。

格式转换与元数据保留的实操要点

从DICOM到NIfTI的转换，常用工具包括dcm2niix、SimpleITK和pydicom。以dcm2niix为例，典型命令如下：

dcm2niix -z y -f "%p_%s" -o /data/nifti /data/dicom/patient001

其中-z y表示输出压缩的.nii.gz，-f指定文件名格式，%p为协议名，%s为序列号。转换后应检查生成的JSON侧文件是否包含RepetitionTime、EchoTime、Manufacturer、MagneticFieldStrength等字段。对于CT，还需确认Rescale Slope/Intercept是否被正确应用，否则HU值会偏移。

若使用Python批量处理，可借助pydicom读取标签并写入CSV：

import pydicom, pandas as pd, glob
rows = []
for f in glob.glob('/data/dicom/**/*.dcm', recursive=True):
    ds = pydicom.dcmread(f, stop_before_pixels=True)
    rows.append({
        'PatientID': ds.PatientID,
        'Modality': ds.Modality,
        'StudyUID': ds.StudyInstanceUID,
        'SeriesNumber': ds.SeriesNumber,
        'SliceThickness': getattr(ds, 'SliceThickness', None),
        'PixelSpacing': getattr(ds, 'PixelSpacing', None),
        'Manufacturer': getattr(ds, 'Manufacturer', None),
        'RescaleSlope': getattr(ds, 'RescaleSlope', 1),
        'RescaleIntercept': getattr(ds, 'RescaleIntercept', 0),
    })
pd.DataFrame(rows).to_csv('/data/meta.csv', index=False)

这段代码只读取标签、不加载像素，适合大规模元数据盘点。生成的meta.csv可用于检查模态分布、层厚一致性、设备集中度，以及是否存在缺失关键字段的检查。

常见问题与判断依据

在训练集验收阶段，以下几类问题最值得优先排查：模态标签与像素特征不符（如把MRI标成CT）；同一患者多次检查被误分为训练与测试（数据泄漏）；标注掩膜与图像几何不匹配（如方向矩阵被忽略）；元数据中关键字段缺失率超过阈值。判断依据可以量化为：模态字段缺失率应低于1%，层厚或像素间距缺失率应低于5%，同一患者跨集合重叠率应为0。若这些指标不达标，应先修复数据，再进入模型训练。

理解模态差异、格式分工与训练集四层构成，是后续质量评估的基准。只有先确认“数据是什么、来自哪里、缺了什么”，才能进一步讨论标注质量、分布偏差和模型泛化。