医院的放射科里，藏着数万张“身体内部的黑白照片”——CT 和 MRI 扫描仪把人体切成一片片薄如硬币的断面。医生的日常工作之一，是在这些灰色照片上描出肝脏、肿瘤的精确轮廓。以前这活儿靠手工，一例肝脏分割要画三四十分钟；如今大家请来一位叫 U-Net 的“AI 描图学徒”，让它学习专家手绘的线稿，练成自动描边的本事。这篇教程从认识片子的“密度刻度”讲起，带你看 U-Net 工作室的三件法宝（编码器、解码器、跳跃连接），再聊聊专家标注规范、小样本下的四招急救术、Dice 这把“评分卡尺”，最后把成品送回医院的 PACS 影像档案室，帮院长算清这笔账。学完，你就掌握了医疗影像 AI 从论文到病床前的最小完整闭环。

岗位关联

对 AI 从业者：掌握 CT/MRI 分割是进入医疗 AI 的入场券。理解 U-Net、标注规范与 PACS 集成，能帮你把模型从论文变成医院里真正可用的产品，而非停留在 demo 阶段。

目录
  1. 可视化演示
  2. 分割任务概述
  3. U-Net架构
  4. 变体模型
  5. 数据标注规范
  6. 小样本策略
  7. 评估与调优
  8. PACS集成
  9. 项目落地ROI
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

演示U-Net影像分割、器官与病灶掩码提取及Dice评估，理解有限标注条件下医学影像分割的实现方法。

本节配有交互动效（进入视口后自动加载，约 3KB）。

影像分割：掩码提取 器官轮廓 病灶核心 Seg: Ω→{0,1} 像素级分离解剖结构

分割任务概述

教小 U 描边前，得先让它“看懂照片”。CT 片就像用 X 光给身体拍的黑白密度写真：骨头最亮（近乎白色），空气最黑（近乎黑色），肝脏、肾脏挤在大片灰阶里。MRI 片则是另一种画风——软组织层次更细腻，肌肉、脂肪、脑组织分得清清楚楚，但没有统一的“灰度刻度”。

医生看片靠眼睛和几十年经验；AI 看片靠把每个像素归类。分割任务的定义就是：给输入图片的每一个像素，贴上“肝脏”“病灶”“背景”这样的类别标签。这和“这张图有没有肿瘤”的图像分类是两码事——分类只回答一句话，分割要画出一整张地图。

为了让灰度可统一比较，CT 使用霍斯菲尔德单位（HU）：规定水的值为 0，空气为 -1000，致密骨可到 +1000 以上。医生通过调节“窗宽窗位”查看不同组织——看肺用一个窗，看软组织用另一个窗。部署模型时，通常要把 HU 裁剪到目标组织范围并归一化；而 MRI 没有物理刻度，不同序列（T1/T2）灰度含义不同，预处理要单独设计。临床上，分割的用处很直接：肿瘤体积测量、放化疗疗效评估、术前规划、放疗靶区勾画——这些场景正是后面 ROI 讨论的落点。

HU=1000×μ−μwaterμwater\displaystyle HU = 1000 \times \frac{\mu - \mu_{\text{water}}}{\mu_{\text{water}}}
这个公式把每种组织对 X 光的衰减系数 μ 与水的衰减系数比较，乘 1000 变成好读的整数刻度。
  1. 组织挡光系数 μ每种组织对 X 光的衰减能力不同，是 HU 的原料。
    μ\mu
  2. 与水的相对差用组织的衰减减去水的衰减，消除扫描仪自身差异。
    μ−μwater\mu - \mu_{\text{water}}
  3. 放大 1000 倍把差值放大成易读刻度：水 0、空气 -1000、骨骼约 +1000。
    HU=1000×μ−μwaterμwaterHU = 1000 \times \frac{\mu - \mu_{\text{water}}}{\mu_{\text{water}}}

U-Net架构

小 U 的工作室叫 U-Net，名字取自它的外形——一个大写的 U。左边一列逐渐变窄的矩形是“缩图台”（编码器），右边一列逐渐变宽的矩形是“放图台”（解码器），中间横着一条条虚线是“传送带”（跳跃连接）。

编码器像画家先“眯眼看全局”：图像一层层下采样，从像素级细节中提炼出“这团影子是什么、在腹部哪个位置”的整体理解，最底部的“瓶颈”是最浓缩的全局认知。这一步很像人看画先看构图，再盯笔触。

解码器负责“落笔描细节”：把全局理解一层层上采样放大回原尺寸，在每个位置判断像素类别。但缩图必然丢毛边，所以跳跃连接把编码器每层保留的细节图直接拼到解码器对应层，让描边“既懂全局、又不丢毫米级边界”。由于整个网络只用卷积、不接全连接层，输入任意尺寸都能处理，故称全卷积网络。

fidec=Conv([ Up(fi+1dec),  fienc ])\displaystyle f_i^{\text{dec}} = \text{Conv}\big([\,\text{Up}(f_{i+1}^{\text{dec}}),\; f_i^{\text{enc}}\,]\big)
第 i 层的解码特征 = 把上一层放大后的结果，与编码器第 i 层留下的细节图拼在一起，再卷积打磨。
  1. Up 上采样把上一层缩小的特征图放大到当前层尺寸，像把草稿投到投影仪放大。
    Up(fi+1dec)\text{Up}(f_{i+1}^{\text{dec}})
  2. 通道拼接中括号表示把两路特征按通道叠起来，让语义与细节合流。
    [ Up(fi+1dec),  fienc ][\,\text{Up}(f_{i+1}^{\text{dec}}),\; f_i^{\text{enc}}\,]
  3. 卷积融合Conv 用可学习的卷积核重新混合拼接后的特征，决定哪些细节该突出。
    Conv(⋅)\text{Conv}(\cdot)

变体模型

学会了素描，还有水彩和油画。U-Net 家族里有四位最常见的“画家”。

3D U-Net 把几十张连续切片叠成一个数据块直接输入，一次看清病灶前后方向的完整形态，适合肝脏、脑等三维器官。V-Net 在 3D 卷积上直接优化 Dice 损失，专门对付前景太小的病灶。Attention U-Net 在解码器装上“注意力门控”，自动忽略无关区域，把精力集中在器官边界。nnU-Net 则像一位“自动搭画室”的监理：拿到数据自动决定预处理、网络深度、训练策略，是医学分割竞赛的常胜将军。

选型直觉：器官类（肝、肾、脑）优先 3D 与 nnU-Net；病灶小而稀疏时用 Dice 类损失；算力受限或切片间距大时退回 2D U-Net。

S(x)=fθ(x),x∈RC×D×H×W\displaystyle S(x) = f_{\theta}(x), \quad x \in \mathbb{R}^{C \times D \times H \times W}
3D 模型输入是一个四维张量：C 个通道（如不同 MRI 序列）的 D×H×W 立体数据块，输出整个体积的分割。
  1. C 通道数多个 MRI 序列或 CT 窗位组合成的输入“图层”。
    CC
  2. D×H×W 尺寸深度（切片张数）、高度、宽度三个维度。
    D×H×WD \times H \times W
  3. fθ 分割函数3D 卷积网络把每个体素逐个分类，输出体积级掩膜。
    S=fθ(x)S = f_\theta(x)

数据标注规范

师傅画样例，徒弟学手艺。AI 分割的“样例”就是医生在 CT/MRI 片上手工勾画的掩膜。这一环通常是项目里最贵、最慢的。

动手标注前，先写“标注指南”：病灶边界画到哪？血管算不算器官一部分？坏死区怎么处理？不同医生习惯不同，指南不统一，模型学到的是互相矛盾的标准，输出边界必然模糊。实际操作常用 ITK-SNAP、3D Slicer 等开源工具逐层勾画，支持半自动轮廓插值，把工作量摊薄。

质量怎么把关？常用 Cohen's Kappa 衡量两位医生标注的一致性：1 表示完全一致，0 表示和随机差不多。分割标注通常要求 kappa ≥ 0.8，否则需要返工或请第三人仲裁。成本上，一例肝脏+肿瘤标注约 30-90 分钟，100 例高质量标注可能需要数周——这正是小样本方法重要性的由来。

κ=po−pe1−pe\displaystyle \kappa = \frac{p_o - p_e}{1 - p_e}
kappa 是把“实际一致率”扣掉“碰巧一致率”后，除以能提升的最大空间。
  1. p_o 实际一致率两位医生逐像素标注一致的比例。
    pop_o
  2. p_e 随机一致率两人瞎画也可能碰巧一致的比例，必须扣除。
    pep_e
  3. kappa 打分分子扣随机、分母归一，结果最大为 1。
    κ=po−pe1−pe\kappa = \frac{p_o - p_e}{1 - p_e}

小样本策略

只给五张带教线稿，学徒能出师吗？有经验的师傅有四招。

第一招数据增强：把样例翻转、旋转、缩放、加噪声，五张变五十张，让模型学会“病灶不管长在哪边都认得”。第二招迁移学习：先在别的医院大数据上练熟“看肝”的手感，再到本院少量数据上微调。第三招半监督伪标签：大量片子没有标注，让当前模型打“伪标签”，只挑高置信度的混进训练集，相当于自学。第四招预训练模型：直接加载开源权重做起点，少走弯路。

注意增强要“尊重解剖常识”：肝脏不会长到图像右上角，CT 不会左右颠倒扫描。过度随机的增强反而破坏位置先验。把这几招组合起来，几十例标注也能训出可用的分割模型。

x′=Ta(x),y′=Ta(y),Ta∼A\displaystyle x' = T_a(x), \quad y' = T_a(y), \quad T_a \sim \mathcal{A}
D←D∪{(xu,y^u)},  若 max⁡cpc(y^u)>τ\displaystyle \mathcal{D} \leftarrow \mathcal{D} \cup \{(x_u, \hat{y}_u)\},\ \ \text{若}\ \max_c p_c(\hat{y}_u) > \tau
第一式：图像和掩膜用同一个随机变换，保证标签不跑偏；第二式：模型对未标注图足够自信（置信度超阈值）时，才把伪标签纳入训练。
  1. 变换 T_a翻转、旋转、缩放等保持语义的几何变换，按分布随机采样。
    Ta∼AT_a \sim \mathcal{A}
  2. 增强样本对图像与掩膜同变换，标签与内容始终对齐。
    (x′,y′)=(Ta(x),Ta(y))(x', y') = (T_a(x), T_a(y))
  3. 伪标签门槛 τ置信度高于 τ 的未标样本才被采纳，防止噪声入队。
    max⁡cpc(y^u)>τ\max_c p_c(\hat{y}_u) > \tau

评估与调优

画得准不准，不能靠感觉。医生的第一把卡尺叫 Dice 系数：把模型画的红圈和标准答案红圈叠在一起，看重叠度。

Dice 取值 0 到 1，1 是完美重合。漏画和多画都被分母惩罚。另一个常用指标 IoU（交并比）分母更大，更严格。训练时常用 Dice Loss = 1 − Dice，或 Dice 与交叉熵的加权和，专门解决病灶只占全图 1% 像素、普通损失被背景淹没的问题。

调优还要注意：三维体素 Dice 通常高于二维切片 Dice；小病灶的 Dice 波动大，常配合体积误差、95% 豪斯多夫距离一起看，避免“平均分好看、单个病例翻车”。

Dice=2×TP2×TP+FP+FN\displaystyle \text{Dice} = \frac{2 \times TP}{2 \times TP + FP + FN}
TP 是双方都画了的像素，FP 是模型多画的，FN 是模型漏画的；分子把重叠加倍，比值越接近 1 越吻合。
  1. TP 真阳性预测和标准答案都判定为病灶的像素数。
    TPTP
  2. FP 与 FN多画与漏画的像素，都在分母里拉低分数。
    FP+FNFP + FN
  3. 双倍重叠重叠区放大两倍，保证结果落在 [0, 1] 区间。
    2×TP2×TP+FP+FN\frac{2 \times TP}{2 \times TP + FP + FN}

PACS集成

医生日常阅片的地方，是医院的“中央影像档案室”——PACS（影像归档与通信系统）。所有 CT/MRI 都按 DICOM 标准存档，病人信息、扫描参数和像素数据打包在一起。

AI 分割要“住进”档案室，标准管线是：PACS 推送 DICOM → 解析像素与元数据 → 预处理 → GPU 推理得到掩膜 → 把掩膜编码成 DICOM 覆盖层或 RT-STRUCT 放疗勾画格式 → 回传 PACS，医生在原阅片界面直接叠加查看。

工程要点：推理服务容器化部署在院内 GPU 服务器，数据不出院；接口对接遵循 DICOMweb / HL7；低置信度结果打“待复核”标记而不是直接发布；并持续监控整条链路的端到端时延。

Ttotal=T传输+T推理+T回传\displaystyle T_{\text{total}} = T_{\text{传输}} + T_{\text{推理}} + T_{\text{回传}}
端到端时延 = 文件传输解析 + 模型推理 + 结果编码回传；肝脏分割场景通常要求几分钟内返回。
  1. T传输DICOM 文件拉取、解析、预处理的耗时。
    T传输T_{\text{传输}}
  2. T推理模型在 GPU 上预测整套序列的耗时。
    T推理T_{\text{推理}}
  3. T回传掩膜编码并写回 PACS、通知阅片端的耗时。
    T回传T_{\text{回传}}

项目落地ROI

作品挂进了画廊，最后轮到院长翻账本：这套 AI 流水线到底划不划算？

成本大头在标注（人力最贵）、GPU 与院内部署、合规注册（三类医疗器械需临床验证）、以及持续运维。收益主要是医生勾画时间从 30-60 分钟压到 5-10 分钟，以及漏诊率下降带来的医疗质量提升。选高频、刚需、勾画费时的场景（肝脏肿瘤分割、脑卒中快速评估）最容易算正账。商业模式上可按“按例计费”或“平台年费”向医院收费，前提是 ROI 为正。

ROI 模型很简单：每个病例省下的医生分钟数 × 年病例量，是年度总节省；减去年度总成本，再除以年度总成本。分母越大，项目越需要“量大”来摊薄。

ROI=Δt×Ncases−CtotalCtotal\displaystyle ROI = \frac{\Delta t \times N_{\text{cases}} - C_{\text{total}}}{C_{\text{total}}}
Δt 是单例节省的医生时间，N 是年病例量，C 是年总成本。分子是净节省，分母是投入。
  1. Δt 单例节省手工勾画与 AI 辅助的耗时差，按分钟计。
    Δt\Delta t
  2. Ncases 年病例量该检查类型的年数量，决定节省能否放大。
    NcasesN_{\text{cases}}
  3. Ctotal 年总成本标注、算力、合规、运维的年摊成本。
    Δt×Ncases−CtotalCtotal\frac{\Delta t \times N_{\text{cases}} - C_{\text{total}}}{C_{\text{total}}}

AI 应用场景

肝脏肿瘤体积评估与手术规划

阶段：模型部署 → 医学图像分割 → 临床辅助决策

解决的问题：术前医生手动逐层勾画肝脏和肿瘤边界，单例耗时 30-90 分钟，且不同医生画法差异大。AI 自动分割 2 分钟内出结果，为外科医生提供肿瘤体积、与血管距离等量化参数，就像给“填色线稿”配了一把电子卡尺。

具体案例：某三甲医院肝胆外科接入 U-Net 分割服务，CT 序列到达 PACS 后自动触发推理，肝脏与肿瘤掩膜回传阅片端，医生一键确认后生成体积报告，术前规划时间缩短约 70%。

放疗靶区勾画自动化

阶段：小样本适配 → 分割模型微调 → 工作流嵌入

解决的问题：放疗科医生需在 MRI/CT 上逐层勾画靶器官与危及器官，勾画质量直接影响放疗剂量。AI 用迁移学习把小样本做“放大”，先自动勾画高危器官，医生只做重点审核与局部修改。

具体案例：某放疗中心用迁移学习把开源前列腺分割模型适配到本院 MRI 序列，仅标注 20 例即达到 Dice 0.85，靶区勾画时间从 40 分钟降至 8 分钟，模型结果以 RT-STRUCT 格式回传 PACS。

Python 演示

python68 行
"""CT病灶分割小样本演示: 数据增强 + 多视角投票 + Dice评估"""import numpy as np np.random.seed(42) def make_slice(size=64):    """合成一张类CT切片: 灰色背景 + 暗色'肝脏' + 亮色'病灶'"""    yy, xx = np.ogrid[:size, :size]    img = np.full((size, size), 0.1)    liver = ((xx - 30) / 18) ** 2 + ((yy - 32) / 22) ** 2 <= 1    img[liver] = 0.5    lesion = ((xx - 38) / 6) ** 2 + ((yy - 40) / 5) ** 2 <= 1    img[lesion] = 0.95    mask = (img > 0.9).astype(np.uint8)    return img, mask def augment(img, mask):    """数据增强: 随机翻转 + 随机旋转90度"""    if np.random.rand() < 0.5:        img, mask = img[:, ::-1], mask[:, ::-1]    k = np.random.randint(0, 4)    return np.rot90(img, k), np.rot90(mask, k) def dice(pred, true):    """Dice系数: 1为完美重合, 0为完全无重叠"""    eps = 1e-6    inter = 2 * np.sum(pred * true)    return inter / (np.sum(pred) + np.sum(true) + eps) def threshold_seg(img, th=0.85):    """极简分割模型: 高密度阈值, 模拟小样本下不稳定的预测"""    pred = (img > th).astype(np.float32)    noise = np.random.rand(*img.shape)    pred[noise > 0.97] = 1 - pred[noise > 0.97]  # 3%随机翻转    return (pred > 0.5).astype(np.uint8) def un_aug(mask, k, flip):    """撤销增强, 用于把投票结果拼回原图坐标系"""    mask = np.rot90(mask, -k)    if flip:        mask = mask[:, ::-1]    return mask def tta_seg(img, views=8):    """测试时增强: 8个视角各预测一次, 过半投票合并"""    votes = np.zeros_like(img, dtype=np.float32)    for k in range(4):        for flip in (False, True):            aug_img = np.rot90(img[:, ::-1] if flip else img, k)            votes += un_aug(threshold_seg(aug_img), k, flip)    return (votes >= views // 2).astype(np.uint8) def main():    labeled = [make_slice() for _ in range(5)]      # 小样本: 仅5例标注    pool = []    for img, mask in labeled:        for _ in range(8):            pool.append(augment(img, mask))         # 5例 -> 40例    print('数据增强: 5例标注 -> %d个训练样本' % len(pool))     test = [make_slice() for _ in range(40)]        # 40例测试切片    d1 = np.mean([dice(threshold_seg(x), m) for x, m in test])    d2 = np.mean([dice(tta_seg(x), m) for x, m in test])    print('基础分割 Dice: %.3f -> 增强投票 Dice: %.3f' % (d1, d2))    print('提升: +%.3f (多视角投票抵消随机误差)' % (d2 - d1)) if __name__ == '__main__':    main()
目的：用合成 CT 切片演示小样本分割的三板斧——数据增强扩充训练集、测试时增强多视角投票、Dice 系数评估，直观展示“增强为什么能救命”。
  1. mask = (img > 0.9).astype(np.uint8)由生成规则产出“医生标注”的标准答案，模拟真实标注掩膜。
  2. pool.append(augment(img, mask))数据增强：5 例标注扩成 40 个训练样本，对应正文“翻转旋转缩放”策略。
  3. def dice(pred, true)原样实现正文 Dice 公式，返回 0~1 的重叠度。
  4. pred[noise > 0.97] = 1 - pred[noise > 0.97]给阈值模型注入 3% 随机翻转，模拟小样本下预测的不稳定性。
  5. votes += un_aug(threshold_seg(aug_img), k, flip)8 个视角各预测一次，再撤销到原坐标，完成测试时增强。
  6. (votes >= views // 2).astype(np.uint8)过半投票决定最终分割，把随机误差平均掉。

常见误区

误区我一直以为分割和分类差不多，模型输出一个“有肿瘤 / 没肿瘤”的标签就够了，顶多多几个类别。

正解分割输出的是和原图同尺寸的“逐像素标签图”，每个像素都要回答“我是什么组织”。就像填色书要求给每个色块描出边界，而不是只写一句“这页有猫”。分类回答一句话，分割画出一整张地图。

为何常见：图像分类是多数入门教程第一个讲的模型，任务边界容易串味。

误区只要多标几百例，医生之间画得不一样没关系，反正数据量大模型自己能学会。

正解标注标准不一致会让模型学到噪声。两位医生 kappa 低于 0.8 的边界，模型只能学到“平均值”，输出边界发虚。先定指南再标注，比单纯堆数量更有效。

为何常见：大家习惯把数据标注当成流水线体力活，忽略了标准制定才是质量的源头。

误区样本少就使劲翻转旋转，增强数量越多效果一定越好。

正解过度增强会破坏医学图像的解剖先验——肝脏不会长到图像右上角，CT 不会左右颠倒扫描。要选与临床一致的真实变换，同时配合迁移学习、预训练和伪标签，而不是单靠增强堆量。

为何常见：数据增强是公开课第一个教的小样本技巧，容易默认它万能。

误区模型 Dice 刷到 0.9 就万事大吉，可以全自动发布了。

正解Dice 对边界的小偏移不敏感，而临床更关心体积误差、漏诊/误诊比例，以及“医生还要不要再花 10 分钟改”。要同时看 95% 豪斯多夫距离和医生编辑距离，并区分三维体素 Dice 与二维切片 Dice。

为何常见：论文都用 Dice 当主指标，团队就习惯拿论文指标直接当产品验收标准。

误区既然模型自动出了掩膜，就应该直接写进诊断报告，这样最省事。

正解当前监管与临床习惯都要求 AI 作为“辅助”而非“决策者”。低置信度结果要打“待复核”标记并退回人工，PACS 集成时也要保留医生的确认环节，守住医疗责任边界。

为何常见：demo 里“自动出图”的效果很酷，容易让团队忽略医疗场景的责任与合规约束。

面试题

Q1. CT 图像中，水的霍斯菲尔德单位（HU）值约为？

单选题 · easy

  • A.负1000
  • B.正好为0← 正确答案
  • C.正1000
  • D.正500

答案：B。HU 以水为 0、空气为 -1000、致密骨约 +1000，是 CT 阅片和预处理的统一“灰度标尺”。选 1000 或 500 都是把刻度和骨密度记混了。

Q2. U-Net 中“跳跃连接”的主要作用是什么？

单选题 · easy

  • A.加快训练收敛速度
  • B.保留下采样的细节← 正确答案
  • C.减少网络参数量
  • D.放大输出到原尺寸

答案：B。编码器下采样会丢毛边，跳跃连接把同层细节图直接拼给解码器，让描边“既看全局又保细节”。加速收敛、减少参数都不是它的核心作用。

Q3. 下列哪些属于改善小样本分割的策略？

多选题 · easy

  • A.随机翻转旋转增强← 正确答案
  • B.迁移学习预训练微调← 正确答案
  • C.提高CT扫描辐射剂量
  • D.半监督伪标签扩增← 正确答案

答案：ABD。增强、迁移、伪标签是正文讲的三板斧；提高辐射剂量是临床安全问题，与算法无关且有害，绝不能选。

Q4. nnU-Net 相比普通 U-Net 的最大特点是什么？

单选题 · mid

  • A.使用更强的GPU硬件
  • B.自动配置训练细节← 正确答案
  • C.只支持MRI影像数据
  • D.不需要任何标注数据

答案：B。nnU-Net 像“自动搭画室的监理”，拿到数据自动决定预处理、网络深度与训练策略。它不挑硬件、不限定模态，更不可能脱离标注数据。

Q5. 两位医生标注结果的 Cohen's Kappa = 0.6，最合理的处理是？

单选题 · mid

  • A.两人结果完全一致
  • B.一致性差需检查指南← 正确答案
  • C.一致性良好可直接使用
  • D.与随机标注没有差异

答案：B。分割标注的合格线通常要求 kappa ≥ 0.8，0.6 属于中等一致，说明两人对边界的理解有分歧。这时候要回头检查标注指南，而不是急着拿去训练。

Q6. Dice Loss 在医学分割中常被用来解决什么问题？

单选题 · mid

  • A.病灶像素占比太小← 正确答案
  • B.标注数据量不足
  • C.模型训练速度慢
  • D.图片分辨率太低

答案：A。病灶常只占全图 1% 像素，普通交叉熵会被背景淹没。Dice Loss 直接以重叠度为损失，天然缓解类别不均衡，但它不负责数据量、速度或分辨率。

Q7. 计算 ROI 时，公式中的"Δt × N"表示什么？

单选题 · mid

  • A.一年节省的医生总工时← 正确答案
  • B.模型推理的总时延
  • C.数据标注的总成本
  • D.单张GPU显卡采购价

答案：A。Δt 是单例节省的医生分钟数，N 是年病例量，两者相乘就是年度总节省工时；其余选项都属于成本端，不是节流来源。

Q8. 小样本分割中，“伪标签”技术属于哪类方法？

单选题 · hard

  • A.数据增强策略
  • B.半监督学习方法← 正确答案
  • C.模型压缩技术
  • D.图像配准算法

答案：B。伪标签是先用模型给未标注数据打标，再挑高置信度的样本加入训练，本质是让模型“自学”，属于半监督学习，不依赖额外人工标注。

Q9. 关于 3D U-Net，下列描述正确的是？

多选题 · hard

  • A.输入是立体数据块← 正确答案
  • B.使用三维卷积操作← 正确答案
  • C.一次看多张连续切片← 正确答案
  • D.无法处理三维数据

答案：ABC。3D U-Net 的输入是 C×D×H×W 立体数据块，用三维卷积一次看多张连续切片，在体积连贯的器官上更稳。D 选项恰好说反。

Q10. 关于 PACS 集成，哪种做法最符合医疗合规？

单选题 · hard

  • A.上传公有云处理
  • B.院内GPU服务器部署← 正确答案
  • C.个人电脑离线推理
  • D.邮件传图给外包方

答案：B。医疗数据合规第一条是“不出院”，院内 GPU 服务器部署既能满足性能又守住隐私。公有云、个人电脑、邮件传图都可能触碰数据安全红线。