DICOM SR、SEG、RTStruct 结构化报告

可视化演示

模拟DICOM SR层级树结构、SEG分割掩码叠加影像与RTStruct轮廓集标注，展示三种结构化对象的数据模型与关联方式。

DICOM对象家族：档案室里的三本册子

档案管理员小D刚上岗时，发现档案室的规矩特别多：所有资料必须装进统一样式的档案夹，封面上印着“类型编号”，里面的文件必须按标签页分门别类。DICOM 世界的规矩与此一模一样——无论 CT 影像、超声视频，还是我们关心的 SR、SEG、RTStruct，全都是“DICOM 对象”，它们共享同一套档案夹格式：前面有一小段空白前导区，紧跟着“DICM“四个魔法字符标示身份，之后是无数个”数据元素”依次排列。

每个数据元素就像档案夹里的一张标签贴纸：贴纸上写着“标签编号（组号+元素号）”“数据类型（VR）”“长度”和“内容”。比如 (0010,0010) 这个标签，内容是患者姓名；(0008,0060) 标签则记录这是一个 CT 还是 MR 图像。而决定“这本档案夹里到底该放什么内容”的，是封面上那串长长的 SOP Class UID——它相当于档案的类型编号。SR、SEG、RTStruct 各自拥有不同的 SOP Class UID，因此系统一看编号就知道该按哪套规则拆解文件。

这三本册子——问卷卡、透明贴纸、作战地图册——虽然内容天差地别，但都穿着同款 DICOM 档案夹的外衣。正因为共享同一套“装订规则”，医院的任何系统都能用同一把钥匙打开所有档案夹，再根据 SOP Class UID 决定调用哪套阅读流程。这就是医学影像生态能够互联互通的基石。

SR结构化报告：一问一答的问卷卡

小D整理医生手写报告时头疼不已：“右上肺见磨玻璃结节，大小约 8mm，考虑炎性可能。”这句话信息量很大，但电脑无法自动提取“位置、大小、结论”这些结构化字段。于是他把医生的结论改写成一份标准的问卷卡：系统提问，医生或 AI 作答。这份问卷卡就是 SR 报告（Structured Report）。

SR 的核心数据结构是一棵“文档树”。树的根节点是报告的标题，比如“胸部 CT 检查报告”；往下分出一个个“内容项（Content Item）”，每个内容项本质上是一个“概念名-值”对。概念名必须来自标准编码表，比如 TID 2020 中的“Finding Site“（发现部位），值可以是文本、数值、日期，甚至可以嵌套另一个内容项子节点。为了让读卡人知道报告是在什么背景下写的，SR 里还有”观察上下文”记录：谁（观察者）、用什么设备、什么时间做的判断。

问卷卡的最大好处是“机器可读”。AI 系统可以让 SR 树的每个“答案”都对应到电子病历里的结构化字段，从而自动统计、检索、做多中心研究。而标注答案用的是什么“词典”（编码体系），则是下一节透视贴纸要面对的统一规范问题。

SEG分割对象：能撕能贴的透明图层

小D在整理照片时，想给心肺影像做标注。他拿出一沓透明贴纸，每张贴纸只涂一种颜色：一张把肺区域涂成绿色，一张把肿瘤涂成红色。把这些贴纸叠在 CT 照片上，电脑就知道“哪些像素属于肺、哪些属于肿瘤”。SEG 分割对象（Segmentation） 干的就是这件事，只不过它的贴纸不是彩色，而是黑白位图——每一层（Segment）是一张与 CT 图像同样大小的 0/1 网格，1 表示该像素属于这个器官，0 表示不属于。

SEG 对象里每个 Segment 都有详细的“段描述”：编码的解剖部位（如 “Coded Concept Name“ 指向肺）、算法类型（人工/自动/半自动）、颜色偏好等。关键的还有它和源影像的关系：SEG 通过”参考图像序列“逐帧指明自己的掩膜对应源 CT 的哪一帧，并且在同一 Frame of Reference（参考坐标系）下保证像素一一对齐。这种”位掩膜”设计对存储极为友好。

透明贴纸能精确到像素，但贴纸一旦生成，想“挪一挪”就很麻烦。放疗科医生更需要的是能随手拖拽、按几何形状编辑的“轮廓线”，这就轮到第三件法宝 RTStruct 出场了。

RTStruct放疗结构：作战地图上的靶区册

放疗是一场精准的“定向打击”：医生要在 CT 地图上圈出肿瘤（靶区），同时避开脊髓、肺等危急器官。圈出的轮廓要交给加速器执行照射，必须精确到毫米。RTStruct（RT Structure Set） 就是这本作战地图册，它不记录逐像素贴纸，而是记录一条条由三维坐标点连成的封闭轮廓线。

RTStruct 的核心是“结构集 ROI”列表：每个 ROI（感兴趣区域）有名称（如“GTV 肿瘤”）、编号、几何类型（轮廓点集或表面网格）。每一个 ROI 下面挂着多个“轮廓层”，每一层对应源 CT 的一个切片。轮廓层的坐标是世界坐标（单位是毫米），而不是像素坐标，这意味着它和具体影像的空间位置天然绑定。此外它还有“ROI 观察”字段，记录这是靶区还是危及器官、由谁在何时勾画。

如果说 SEG 是给 AI 算法看的“像素级标注”，RTStruct 就是给放疗计划系统（TPS）用的“几何级标注”。轮廓线不但能目视编辑，还能直接计算体积、生成剂量分布。而这本地图册之所以能精准覆盖到对应图层，全靠它和影像之间那条看不见的“引用锁链”。

影像关联机制：档案上的互引标签

小D发现，三本册子如果不和原始影像绑定，就跟散页废纸没区别。DICOM 的聪明之处在于，所有结构化对象内部都埋着一套“引用标签”（UID），就像档案上的互引索引。SEG 要引用它分割的源影像系列，RTStruct 要引用它勾画的 CT 影像，SR 则引用它对应的检查（Study）。

这条引用链层层递进：患者 → 检查（Study Instance UID）→ 系列（Series Instance UID）→ 实例（SOP Instance UID）。更关键的是 Frame of Reference UID——它像一个“空间坐标系编号”。只有当 SEG 或 RTStruct 与影像拥有同一个 Frame of Reference UID 时，系统才能确信两者处于同一物理空间。有了 UID 链还不够，像素坐标与世界坐标之间的换算还需要两样东西：影像位置标记（Image Position Patient）和像素间距（Pixel Spacing）。

有了 UID 链定位“是哪本档案”，再有了像素坐标与世界坐标的换算公式定位“具体位置在哪”，SR 的语义结论、SEG 的像素标注、RTStruct 的几何轮廓才能严丝合缝地叠在同一张 CT 上。这条引用链是 PACS、AI 和放疗系统协同工作的地基。

临床应用实践：从标注到放疗的流水线

故事讲到这里，小D的三件法宝终于要在真实战场上大显身手。现代放疗工作流中，CT 影像进入 AI 分割模型后，模型直接输出 SEG 对象，标注出肿瘤和危机器官；随后放疗物理师把 SEG 转成 RTStruct，在计划系统里微调轮廓、设计照射野；最后系统生成包含剂量信息的计划文件，交付加速器执行。

另一个常见场景是影像科报告：AI 自动检测肺结节后，不再只输出一张 PNG 热图，而是生成一条 SR 文档树，直接写入 PACS 的“结构化报告”文件夹。临床医生打开 PACS 时看到的是一份带语义标签的电子报告，可与之前历次检查对比，自动追踪结节大小的变化。这三者组合起来的核心价值是：从“人看图文”升级为“机器读语义”。

从 AI 模型输出到临床决策，这条流水线上的每一步都要求数据“自描述、可追溯”。SR 让结论有出处，SEG 让标注有边界，RTStruct 让治疗有几何。临床质控人员拿着这三样东西，才能回答一个最朴素的问题：“AI 说这里有肿瘤，凭什么？——凭这本档案册里的标签和坐标。”

设计权衡决策：每种格式都是取舍

如果小D手里有魔法，他或许想要一种格式既像 SEG 一样像素级精确，又像 RTStruct 一样可编辑，还能像 SR 一样语义丰富。但现实是，每种格式都有刻意的取舍。SEG 选择位掩膜，换来的是紧凑的空间与 AI 友好的直接使用；RTStruct 选择轮廓点集，换来的是 TPS 系统的编辑便捷与几何可计算性。若把轮廓转换成等尺寸掩膜，存储量差异可能高达一个数量级。

表达方式上，SR 坚持树状语义而非平面表单，是因为医学结论天然带层级（检查 → 发现 → 特征 → 测量值）；SEG 和 RTStruct 则坚持标准编码表而非自由文本，为的是跨厂商互操作。这些决策背后都遵循同一原则：在可表达性、存储效率与临床可用性之间找平衡。

标准的演进也没有停止：DICOM 工作组持续在增强 SR 的模板约束（如 TID 1500 报告模板）、推动 SEG 扩展到多帧超声，以及定义 RTStruct 与新型粒子治疗的结合。对工程师而言，理解这些权衡，才能在“选 SEG 还是 RTStruct 输出”“SR 树该建多深”的决策中，做出符合业务约束的合理取舍。

---

AI 应用场景

Python 演示

import math def ray_cast_polygon(px, py, xs, ys):    """射线法判断点是否在多边形内"""    inside = False    n = len(xs)    j = n - 1    for i in range(n):        xi, yi = xs[i], ys[i]        xj, yj = xs[j], ys[j]        if (yi > py) != (yj > py):            x_cross = xi + (py - yi) * (xj - xi) / (yj - yi)            if px < x_cross:                inside = not inside        j = i    return inside def contour_to_mask(contour, rows, cols, origin=(0.0, 0.0), spacing=(1.0, 1.0)):    """把世界坐标轮廓转换为0/1像素掩膜, 模拟SEG位平面"""    mask = [[0] * cols for _ in range(rows)]    ox, oy = origin    dx, dy = spacing    xs = [p[0] for p in contour]    ys = [p[1] for p in contour]    for i in range(rows):        for j in range(cols):            px = ox + j * dx            py = oy + i * dy            if ray_cast_polygon(px, py, xs, ys):                mask[i][j] = 1    return mask def volume_from_masks(masks, slice_thickness, pixel_area):    """按层累加体积: V = sum(A_k * dz)"""    total_voxels = sum(sum(row) for m in masks for row in m)    return total_voxels * pixel_area * slice_thickness def main():    # 模拟一个半径10mm的圆形肿瘤轮廓, 共60个采样点    contour = [(10.0 + 10.0 * math.cos(2 * math.pi * k / 60),                10.0 + 10.0 * math.sin(2 * math.pi * k / 60))               for k in range(60)]    masks = []    for z in range(5):  # 模拟5层切片        m = contour_to_mask(contour, rows=32, cols=32,                            origin=(0.0, 0.0), spacing=(1.0, 1.0))        masks.append(m)    vol = volume_from_masks(masks, slice_thickness=2.0, pixel_area=1.0)    nonzero = sum(sum(row) for m in masks for row in m)    print("非零像素总数:", nonzero)    print("估算体积(ml):", vol / 1000.0) main()

1. ray_cast_polygon(px, py, xs, ys)射线法判断某个像素中心点是否落在轮廓内部，是点集转掩膜的关键几何算法。
2. contour_to_mask(contour, rows, cols, origin, spacing)结合原点与像素间距，把 RTStruct 的世界坐标轮廓映射到影像像素网格。
3. mask[i][j] = 1落在轮廓内部的像素标记为 1，对应 SEG 中 1 bit 的归属位。
4. volume_from_masks(masks, slice_thickness, pixel_area)对每层掩膜的非零像素求和，乘以像素面积与层厚，得到体积。
5. total_voxels * pixel_area * slice_thickness与正文公式 \(V = \sum A_k \cdot \Delta z\) 完全对应，单位自动换算为 mm³。

常见误区

面试题