基于CT影像的15类腹部疾病智能分类技术实践

一、引言

腹部CT影像是临床诊断中极为重要的检查手段，能够清晰呈现腹腔内器官形态、密度变化及病灶特征。然而，面对15类常见腹部疾病——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、肾囊肿和脾肿大——人工逐例阅片效率低、漏诊误诊风险高。借助深度学习尤其是三维卷积神经网络（3D CNN），可以从海量CT体积数据中自动学习 discriminative 特征，实现多疾病并行分类。本文以某公开竞赛数据集为背景，完整呈现一套从器官分割到疾病分类的端到端技术路线，为医疗影像AI研发提供可复用的工程范式。

二、任务定义与数据集概况

2.1 任务定义

本任务属于多标签二元分类：对每一例腹部CT体积，模型需对上述15类疾病逐一判断”是否存在”。输出为15维二值向量，每个维度独立对应一种疾病的阳性/阴性判定。这种设计兼容疾病共发的临床现实——同一患者可同时存在脂肪肝与胆石，模型需对每类疾病独立输出置信度。

2.2 数据集结构

数据集分为预训练阶段与下游分类阶段两部分：

• 预训练数据：超过10000例腹部CT扫描影像（仅含影像，无标注），用于通用腹部特征的自监督或有监督预训练，为下游任务提供良好的特征初始化。
• 下游分类数据：包含三维CT体积、15个靶点的二元分类标签以及每个目标器官的前景二进制掩码。前景掩码精确标注了目标器官在体素空间中的位置，是后续ROI提取的关键依据。

数据整体以3D NIfTI或类似医学影像格式存储，训练与验证集按比例划分，确保类别分布的均衡性。

三、技术路线详解

3.1 第一步：基于分割模型的ROI提取

精准的感兴趣区域（ROI）提取是提升分类性能的前提。本方案采用预先训练的腹部多器官分割模型对原始CT体积进行像素级解析，识别出肾脏、肝脏、胆囊、脾脏、胰腺、肠道等核心器官以及对应病灶区域的空间范围。

具体流程如下：

1. 将原始CT体积输入分割模型，得到每个器官及病灶的语义分割图；
2. 根据目标疾病对应的器官掩码（foreground mask），从原始体积中裁剪出对应的ROI子体积；
3. 对每个疾病独立生成一个ROI，例如”胆囊炎”对应胆囊区域ROI，”肾结石”对应肾脏区域ROI。

这种”先分割后分类”的级联策略有两大优势：一是大幅降低输入数据的空间冗余，模型只需聚焦于与疾病相关的解剖区域；二是通过掩码约束，减少背景噪声对分类决策的干扰。

3.2 第二步：图像预处理与标准化

ROI子体积在进入分类网络前需经历严格的预处理管道：

• 强度截断（Clamping）：将CT值（Hounsfield Unit）截断至5%–95%分位数区间。CT影像中存在骨组织高密度伪影和空气极低密度区域，直接使用会拉大数值范围，截断操作既消除极端值干扰，又保留了软组织的主要灰度信息。
• Z-score归一化：对截断后的体素值执行均值为0、方差为1的标准化，消除不同扫描设备、不同协议带来的强度偏移，使模型对输入分布具有更强的鲁棒性。
• 空间重采样：将各ROI统一缩放至固定尺寸 256×256×128（长×宽×层厚方向）。固定尺寸是3D CNN批量训练的硬性要求，同时保证不同器官ROI在空间维度上的可比性。
• 数据集划分：按患者粒度将样本划分为训练集与验证集（通常8:2或9:1），避免同一患者数据同时出现在两侧导致评估偏差。

3.3 第三步：3D ResNet分类网络构建

核心分类器选用3D ResNet架构，该网络在医学影像领域已被广泛验证：

配置项	参数值
骨干网络	ResNet-3D（残差连接 + 3D卷积）
优化器	AdamW（带权重衰减的自适应优化）
初始学习率	0.001
批量大小（batch size）	4
训练轮次（epoch）	300
损失函数	二值化Focal Loss

为什么选择Focal Loss？ 在医学数据集中，阴性样本（无病）往往远多于阳性样本（有病），类别不平衡严重。Focal Loss通过调制因子 $(1-p_t)^\gamma$ 自动降低易分类样本的损失权重，迫使模型聚焦于难分样本和少数类，显著提升对罕见疾病的检出能力。

网络末端为15个独立的全连接输出头（或通过全局平均池化后接15个sigmoid），每个输出头对应一类疾病的二元概率。训练时采用二元交叉熵形式的Focal Loss逐标签计算，推理时以0.5为阈值判定阳性。

3.4 第四步：训练策略与收敛监控

训练过程中需关注以下关键实践：

• 学习率调度：可配合余弦退火或StepLR策略，在训练后期降低学习率以精细收敛；
• 早停机制：监控验证集AUROC或F1分数，若连续若干epoch无提升则提前终止，防止过拟合；
• 混合精度训练：利用FP16混合精度加速GPU计算，同时保持数值稳定性；
• 数据增强：对ROI体素随机施加弹性变形、随机翻转、随机旋转等3D增强，提升模型泛化能力。

3.5 第五步：验证与评估

验证阶段对每个疾病类别独立计算精确率（Precision）、召回率（Recall）、F1分数和AUC-ROC。由于是多标签任务，还需关注宏平均（macro-average）与微平均（micro-average）指标，前者反映模型对各疾病的均衡表现，后者反映整体性能。

实际验证中，对于样本量较少的疾病类别（如肾上腺增生），模型可能出现召回率偏低的情况，可通过针对性的过采样或损失权重调整加以改善。

四、关键技术要点总结

1. 级联架构优于端到端：先分割提取ROI再分类，比直接对全腹CT做15类分类更高效、更精准。
2. 预处理决定上限：强度截断与Z-score归一化是CT影像深度学习的标准前置步骤，缺一不可。
3. 损失函数选型至关重要：类别不平衡场景下Focal Loss几乎是标配，其调制参数γ通常取2。
4. 3D卷积保留层间信息：相比2D切片级分类，3D网络能充分利用CT的层间连续信息，对体积型病灶（如囊肿、积液）更具优势。
5. 验证需逐类分析：宏平均指标能暴露模型在稀有疾病上的短板，避免被高频疾病的高指标”掩盖”。

五、展望

本方案构建了一套可复现的腹部CT多疾病分类基线。在此基础上，可进一步探索以下方向：引入自监督预训练（如对比学习）提升小样本疾病的表征能力；采用多模态融合（如结合临床文本、实验室指标）；部署至云端推理服务实现实时辅助诊断。随着医学影像AI技术的持续演进，智能化腹部CT阅片有望成为放射科医生的有力助手，最终惠及更多患者。