CT影像多病种诊断实战：器官分割与3D分类

一、任务背景与问题定义

腹部CT是临床筛查中信息密度最高的影像模态之一，单次扫描往往同时覆盖多个器官与多种潜在异常。与单病种分类任务不同，多病种联合诊断要求模型在同一个三维体积上同时判断十余种病理表现是否存在，这对特征表达的通用性与标签组织的合理性提出了更高要求。

本文讨论的任务定义为：给定一个腹部3D CT体积，输出15个靶点的二元分类结果。15类靶点覆盖了脏器形态学改变、实质性病变、血管与结石类异常等多个方向，具体包括：肾上腺增生、腹水、动脉粥样硬化、胆囊炎、结直肠癌、脂肪肝、胆石、肾积水、肾结石、肝钙化、肝囊肿、肝脏病变、淋巴结病变、肾囊肿、脾肿大。这些靶点在影像上的表现尺度差异极大——腹水可占据腹腔大部分区域，而肾结石可能仅有数个像素的直径，因此模型需要同时具备大范围上下文感知与小病灶敏感度。

二、数据组织方式

2.1 预训练与下游数据

方案采用两阶段数据策略。预训练阶段使用一万例以上的CT扫描影像（仅影像、无标签），用于让骨干网络学习腹部解剖结构的通用表征；下游分类阶段使用带标注的分类数据集，其中影像以3D CT体积形式存放，标签为15个靶点的二元分类标签，同时提供每个目标的前景二进制掩码，掩码对应目标通常表现的器官区域。

这种”掩码+标签”的双重监督结构是本方案的关键设计：掩码并不直接作为分类监督信号，而是用于在预处理阶段把图像裁剪到与目标相关的解剖范围内，从而在不增加网络复杂度的情况下显著降低无关区域干扰。

2.2 标签与掩码的使用边界

需要强调的是，掩码描述的是”目标通常出现的器官”，而非病灶本身的精确勾画。例如肾结石对应的掩码是肾脏区域，肝囊肿对应的掩码是肝脏区域。因此在推理阶段，掩码应由分割模型预测得到，而非依赖人工标注，这样整条链路才能在无标注新数据上端到端运行。

三、技术路线详解

3.1 第一步：器官分割与ROI提取

方案复用腹部多器官分割模型，先对输入CT进行胸腹部器官与病灶的分割，得到多类器官掩码；随后根据掩码计算外接包围盒，将原始体积裁剪至ROI区域范围。

这一设计的工程价值体现在三个方面：其一，裁剪去除了大量空气、骨骼与扫描床等无关体素，降低了后续网络的输入冗余；其二，ROI统一了不同样本的解剖中心，缓解了扫描范围不一致带来的分布偏移；其三，包围盒计算天然具备尺度归一化效果，使不同体型受试者的器官区域在输入中占据相近比例。

实现上可参考如下逻辑（示意性伪代码）：

def crop_by_mask(volume, mask, margin=8):
    coords = np.argwhere(mask > 0)
    lo = coords.min(axis=0) - margin
    hi = coords.max(axis=0) + margin
    lo = np.clip(lo, 0, None)
    hi = np.clip(hi, None, np.array(volume.shape))
    return volume[lo[0]:hi[0], lo[1]:hi[1], lo[2]:hi[2]]

多靶点场景下，通常对每个靶点对应的器官掩码分别裁剪，得到若干子体积，再按通道或按样本维度组织送入网络。

3.2 第二步：图像预处理

ROI图像进入网络前需完成三项处理：

强度截断：按5%–95%分位数进行截断。CT的HU值跨度极大，金属伪影与对比剂会造成极端离群值，直接归一化会使有效组织灰度被压缩到很窄的区间。分位数截断在保留主要组织对比度的同时抑制离群点，是医学影像中稳健性较好的常规做法。

归一化：采用均值0、方差1的标准化方式，使各通道输入分布对齐，有利于优化器稳定收敛。

重采样至固定尺寸：统一缩放到256×256×128。这一尺寸在空间分辨率与显存占用之间取得平衡——面内256足以保留厘米级病灶的形态特征，层间128对应约1.5–2.5毫米的层厚覆盖范围，可满足多数腹部病变的判读需求。缩放时建议对图像使用三线性插值，对掩码使用最近邻插值，避免标签被插值污染。

完成预处理后，按受试者维度划分训练集与验证集。必须强调按受试者而非按切片划分，防止同一受试者的相邻层面同时出现在训练与验证中造成数据泄漏。

3.3 第三步：3D分类网络与训练配置

骨干网络选用ResNet3D结构。三维残差网络通过堆叠3D卷积与残差连接，在体积数据上具备良好的梯度传播特性，同时参数量可控，适合作为多病种分类的基线。网络输出层设置为15个节点，每个节点对应一个靶点，采用Sigmoid激活配合二值交叉熵类损失，使每个靶点独立判定，避免多标签之间的互斥假设。

训练配置如下：

配置项	取值
优化器	AdamW
学习率	0.001
批大小	4
训练轮次	300
损失函数	二值Focal Loss

批大小取4是3D体积输入下的现实选择——单个256×256×128体积已占用较大显存，扩大批大小需依赖梯度累积或混合精度。学习率0.001配合AdamW的权重衰减，可在早期快速下降、后期稳定收敛。

损失函数选择二值Focal Loss的原因在于类别不平衡。15个靶点中，腹水、脂肪肝等表现 prevalence 较高，而胆石、肾结石、淋巴结病变等阳性样本比例明显偏低。标准交叉熵在极端不平衡下会被多数负样本主导，Focal Loss通过调制因子降低易分样本的损失权重，使优化过程更关注难分正样本。其形式为：

def binary_focal_loss(pred, target, alpha=0.25, gamma=2.0):
    p = torch.sigmoid(pred)
    ce = -target * torch.log(p + 1e-6) - (1 - target) * torch.log(1 - p + 1e-6)
    p_t = target * p + (1 - target) * (1 - p)
    alpha_t = target * alpha + (1 - target) * (1 - alpha)
    loss = alpha_t * (1 - p_t) ** gamma * ce
    return loss.mean()

其中gamma控制难分样本的强调程度，alpha用于平衡正负样本贡献，二者需结合各靶点的实际阳性率做针对性调整。

3.4 训练监控与验证策略

训练过程中需同时记录训练损失与验证损失，并针对每个靶点单独计算AUC、敏感度与特异度。多病种任务的整体指标容易被高 prevalence 靶点拉高，因此分靶点评估不可省略。建议设置如下监控机制：

• 每若干轮在验证集上评估一次，保存分靶点AUC最优的检查点；
• 对验证损失连续多轮不下降的情况触发学习率衰减；
• 记录每个靶点的预测概率分布，观察是否存在系统性偏移。

验证集分类结果的解读应关注三点：一是整体AUC能否稳定在合理区间；二是低 prevalence 靶点是否出现敏感度过低（即全部预测为负）的退化现象；三是不同靶点之间是否存在明显的性能鸿沟，从而定位后续优化方向。

四、工程实践中的常见问题与对策

掩码缺失或分割失败：当分割模型在某个样本上未能输出目标器官掩码时，应回退到整卷输入或按固定解剖范围裁剪，避免样本被直接丢弃造成数据分布偏移。

层厚与扫描协议差异：不同设备的层厚与重建核差异会显著影响纹理特征。除重采样外，可在训练时引入轻微的强度扰动与随机裁剪作为数据增强，提升跨协议鲁棒性。

多靶点联合与独立建模的取舍：单模型多输出共享特征、推理成本低，但靶点间特征需求差异大时易相互牵制；按器官分组训练多个子模型可提升单靶点精度，但部署复杂度上升。实践中可先以单模型多输出建立基线，再针对短板靶点做分组细化。

评估口径统一：验证阶段应固定阈值选取策略（如按验证集最优F1确定阈值），避免不同轮次使用不同阈值导致指标不可比。

五、小结

本文梳理了一条从器官掩码引导ROI裁剪、稳健预处理、3D残差网络训练到分靶点评估的完整技术链路。该方案的核心思想是用解剖先验约束输入范围，用Focal Loss缓解标签不平衡，用分靶点评估暴露真实短板。对于希望在自建腹部CT多病种分类任务上快速建立可靠基线的团队，这套流程具备较强的可复现性与可扩展性；后续可在此基础上引入更强的预训练权重、注意力机制或器官分组建模，进一步提升低 prevalence 靶点的检出能力。