AI医疗数据集标注系统：从数据清洗到标注优化的全流程实战

1次阅读

没有评论

共计 2419 个字符，预计需要花费 7 分钟才能阅读完成。

医疗 AI 模型的训练质量高度依赖于标注数据的准确性，而医疗影像标注又存在许多独特的挑战。今天我们就来聊聊如何构建一个高效的医疗数据集标注系统，覆盖从数据预处理到标注优化的全流程。

医疗影像标注和普通图像标注有很大不同，主要体现在以下几个方面：

DICOM 格式处理 ：医疗影像通常以 DICOM 格式存储，包含丰富的元数据（如窗宽窗位、患者信息等），需要特殊处理。
病灶边界模糊 ：很多病灶（如早期肿瘤）边界不清晰，不同医师可能给出不同的标注结果。
三维数据标注 ：CT/MRI 通常是三维数据，需要支持多平面重建和立体标注。
隐私合规要求 ：医疗数据涉及患者隐私，必须符合 HIPAA 等法规要求。

目前主流的开源标注工具主要有 Label Studio 和 CVAT，它们在医疗场景中的表现各有优劣：

Label Studio：
优点：支持自定义前端，易于集成医疗专用标注界面
缺点：3D 标注支持较弱
CVAT：
优点：支持 DICOM 直接读取，有较好的 3D 标注能力
缺点：界面定制较困难

医疗影像预处理是标注前的关键步骤，主要包括：

窗宽窗位调整 ：

import pydicom
import numpy as np

def apply_window(dcm_path, window_center, window_width):
    """智能调整 DICOM 窗宽窗位"""
    ds = pydicom.dcmread(dcm_path)
    img = ds.pixel_array.astype(float)

    # 窗宽窗位转换
    img = (img - window_center + 0.5) / window_width + 0.5
    img = np.clip(img, 0, 1)

    return (img * 255).astype(np.uint8)

序列切片处理 ：CT/MRI 通常由数百张切片组成，需要批量处理并保持空间关系。

from pathlib import Path
import pydicom
import cv2
from typing import Tuple, Optional

def dicom_to_png(
    input_path: Path,
    output_path: Path,
    window_center: Optional[float] = None,
    window_width: Optional[float] = None
) -> Tuple[bool, str]:
    """
    将 DICOM 转换为 PNG 格式
    :param input_path: 输入 DICOM 文件路径
    :param output_path: 输出 PNG 文件路径
    :param window_center: 窗位值，如未提供则从 DICOM 元数据读取
    :param window_width: 窗宽值，如未提供则从 DICOM 元数据读取
    :return: (转换是否成功, 错误信息)
    """
    try:
        ds = pydicom.dcmread(str(input_path))

        # 自动获取窗宽窗位
        if window_center is None:
            window_center = ds.WindowCenter if hasattr(ds, 'WindowCenter') else 0
        if window_width is None:
            window_width = ds.WindowWidth if hasattr(ds, 'WindowWidth') else 1

        img = apply_window(ds, window_center, window_width)
        cv2.imwrite(str(output_path), img)
        return True, ""
    except Exception as e:
        return False, str(e)

import numpy as np
from sklearn.metrics import jaccard_score

def validate_annotation(annotations: list[np.ndarray], 
    threshold: float = 0.7
) -> bool:
    """
    基于交叉验证的标注质量控制
    :param annotations: 多个医师的标注结果列表
    :param threshold: 可接受的最小 IoU 阈值
    :return: 标注是否可信
    """
    if len(annotations) < 2:
        return True

    # 计算两两之间的 IoU
    ious = []
    for i in range(len(annotations)):
        for j in range(i+1, len(annotations)):
            iou = jaccard_score(annotations[i].flatten(), 
                annotations[j].flatten(), 
                average='micro'
            )
            ious.append(iou)

    return np.mean(ious) >= threshold