在肿瘤随访影像中，同一病灶在不同时间点的扫描体位、呼吸相位与层厚差异，会让"变大还是变小"这一基本判断变得不可靠。我们近期在医疗AI实验室做了一组实验性探索：把随访配准从"整幅图像对齐"改为"以病灶为中心的时间轴对齐"。
做法分三步：先由分割模型勾出目标病灶及其邻近解剖标志，再用标志点约束的形变配准把基线与随访影像映射到同一空间，最后在配准场中计算体积、径线与强化程度的差值，并给出置信区间。为避免把配准误差误读为病情进展，我们固定了扫描协议，并在小样本上对比了人工测量。
阶段性结果：在 60 例含两次以上随访的肺部病灶回顾数据上，配准后体积测量的组内一致性从 0.71 提升至 0.88，直径变化在 ±2 mm 内的判定一致性明显改善；对贴近胸膜与血管的病灶，误差仍偏大，是当前主要失效来源。
下一步计划：引入呼吸相位分层的配准策略，并补充跨设备、跨层厚的验证集，让"变化"这一结论更多来自病灶本身，而不是成像条件的波动。
评论