引用本文
眼眶肿块多模态MRI影像数据库建设课题组,中华医学会放射学分会头颈学组,中华医学会放射学分会医学影像质量控制与管理规范工作组,等. 眼眶肿块多参数MRI多中心数据库构建及标注专家共识[J]. 中华放射学杂志,2025,59(07)：747-756.
DOI:10.3760/cma.j.cn112149-20250117-00038
通信作者
鲜军舫，首都医科大学附属北京同仁医院放射科，北京 100730，Email： cjr. xianjunfang@vip.163.com；
陶晓峰，上海交通大学医学院附属第九人民医院放射科，上 海 200011，Email： cjr.taoxiaofeng@vip.163.com
摘 要
眼眶肿瘤及肿瘤样病变严重影响患者生存质量甚至危及生命。基于眼眶多参数MRI数据库建立的眼眶肿块人工智能诊疗模型有助于提高诊断准确率、制订治疗方案、评估疗效和预测预后，从而提升患者生活质量和生存时间。本共识旨在对构建高质量、标准化的眼眶肿块多参数MRI数据库及数据的规范标注提出指导意见，促进眼眶肿块多参数MRI人工智能模型开发并在临床推广和落地，推进眼眶肿瘤及肿瘤样病变的个性化精准诊疗水平。
前 言
眼眶肿瘤及肿瘤样病变临床表现多样、病情复杂，可导致患者视力下降、眼球突出和眼球运动障碍等，显著降低患者生存质量，甚至危及生命。眼眶解剖结构复杂、组织成分多，肿瘤和肿瘤样病变种类多，多参数MRI为目前眼眶肿块的最佳无创性影像检查和诊断方法，可为眼眶肿瘤和肿瘤样病变的精准诊疗提供多参数、多维度的定位、定量和定性诊断信息，明确病变的精准定位、累及范围及其与重要结构的关系，是精准诊断、疗效评估和预后预测的基础和关键。近年来，随着MRI扫描仪的普及，眼眶肿瘤和肿瘤样病变的MRI应用越来越普遍，极大地提高了全国眼眶肿瘤和肿瘤样病变的诊疗水平。《眼眶肿瘤和肿瘤样病变3.0 T MR检查与诊断专家共识》规范了眼眶肿瘤及肿瘤样病变的MRI检查方案和诊断分析思路，提升了检查、诊断和评估水平，但由于发展不平衡、不充分的国情，对于眼眶肿块MRI的诊断，急需普及和进一步提升。随着人工智能（artificial intelligence，AI）技术的迅猛发展，其在病变检出、诊断和鉴别诊断、治疗方式选择和预后评估等方面显示了独特的优势。迄今为止，基于MRI的AI诊疗模型在眼眶肿块的应用主要局限于：（1）鉴别诊断，包括眼眶炎性假瘤与淋巴瘤的鉴别、神经鞘瘤与孤立性纤维瘤的鉴别；（2）眼附属器淋巴瘤的全自动分割和体积评估。现有的研究仍处于早期探索阶段，且多为单中心、小样本、回顾性研究，缺乏多参数模型及临床-影像联合模型，所建模型的泛化效能差，很难投入临床使用。
数据库的核心是高质量数据和准确规范的标注，为实现此目标，“眼眶肿块多模态MRI影像数据库建设”课题组（课题号YXFSC2022JJSJ009）联合中华医学会放射学分会头颈学组、医学影像质量控制与管理规范工作组，构建了多中心、大样本及规范化的眼眶肿块多参数MRI-病理数据库，并组织部分专家编写并广泛征求意见，制订了本专家共识，以期为眼眶肿块多参数MRI影像-病理数据库的构建及AI模型的大数据分析、挖掘和利用提供依据，逐步建立科学合理、统一完整的标注规范，为眼眶肿瘤及肿瘤样病变的检出及辅助诊疗、疗效和预后预测研究和个性化智能诊疗提供数据支撑和保障。本专家共识主要包括两部分内容：（1）数据库的构建，包括数据集采集标准、质量控制及数据库安全与隐私保护等内容；（2）眼眶肿块多参数MRI数据标注规范，包括标注病变的分类、标注类型、方法、要求、流程、原则及注意事项等内容。
一、眼眶肿块多参数MRI多中心数据库构建架构和过程的规范与要求
（一）伦理审批
本共识已获得首都医科大学附属北京同仁医院伦理委员会批准（伦理批件号：TREC2023-KY107）和临床试验数据库（ClinicalTrials.gov，美国国立卫生研究院美国国家医学图书馆）注册批准（NCT06336499）。数据库建设通常属于回顾性研究，不具备让患者提前签署知情同意书的可行性，建库者在申请伦理阶段应提前准备免除知情同意书。伦理审查材料通常包括立项审查申请表、研究方案和免除知情同意书申请。
（二）眼眶肿块的MRI数据收集
1.入组和排除标准：本共识中，眼眶肿块定义为发生在眼眶的肿瘤及肿瘤样变。不同眼眶间隙发生的眼眶肿块疾病种类不同，见表1。
纳入标准：（1）MRI诊断为表1中的眼眶肿块，且行手术或活体组织学检查，病理诊断明确的患者；（2）MRI检查前无放化疗或手术治疗史（包括微创手术或以治疗为目的微创操作）；（3）扫描机型为1.5 T及3.0 T MRI设备，扫描线圈为头线圈（8通道或以上相控阵线圈）或眼部专用线圈（必须是能够显示眼球后和颅脑结构的8通道或以上相控阵眼部专用线圈）；（4）MRI必选序列包括T1WI、T2WI及增强后T1WI，可选序列包括DWI和动态增强MRI。
排除标准：（1）图像有明显伪影，对病变和结构信息的显示、判读和提取等有明显影响；（2）病变过小（病变最大径<1 cm）；（3）鼻腔、鼻窦、鼻咽部等邻近部位的病变累及眼眶。
2.MRI数据收集：MRI数据收集应从每个中心的PACS、放射信息系统或者其他类型的放射科诊断报告系统等信息化系统中，抽取原始的医学数字成像和通信（digital imaging and communications in medicine，DICOM）标准格式数据，需收集完整的检查序列，包括但不限于T1WI、T2WI及增强T1WI（包括采用脂肪抑制技术的序列）。
3.临床及病理数据收集：（1）一般临床资料，性别、年龄、既往史（视力下降、眼球突出、眼球运动障碍、眼睑或结膜充血、眼睑肿块、溢泪、眶周痛、复视、低头突眼、外伤、高血压、糖尿病、头痛、其他部位肿瘤等）、用药史及家族史。（2）临床表现，眼球突出、眶区疼痛、眼眶肿块、视力下降和视野改变、视乳头水肿或萎缩、眼胀感、视物重影（复视）、眼球转动困难（眼球运动障碍）等。（3）血液学检查项目，血常规、血生化、免疫指标、肿瘤指标等。（4）眼科检查，视力、视野、眼底检查结果等。（5）病理结果，MRI检查显示的眼眶肿块对应的活体组织学检查和/或手术切除标本的病理检查结果，如有免疫组化检查结果应同时记录。除记录病理类型外，恶性病变如有分化程度和/或分子分型等应同时记录。（6）临床治疗，眼眶肿块的治疗情况，包括良、恶性病变的手术方式和/或辅助治疗（放疗、化疗及免疫治疗等）及治疗结果评估。（7）随访记录，良性病变记录有无复发，恶性肿块记录治疗疗效、复发转移情况及生存时间等。
4.多中心数据收集流程：多中心数据收集流程见图1。本共识参考《眼眶肿瘤和肿瘤样病变3.0 T MR检查与诊断专家共识》，制订眼眶肿块多模态MRI影像数据库数据收集和研究方案。牵头中心测试整个收集流程之后制订详细的收集流程，分中心按照入组/排除标准收集表格，经过双方确认符合入组条件后，拷贝DICOM格式的MRI影像数据。
图1 眼眶肿块多参数MRI多中心数据库数据收集流程（C为中心，PA为患者，CE为增强扫描，DWI为扩散加权成像）
5.数据脱敏：根据我国《信息安全技术—个人信息安全规范》（GB/T 35273-2020）的规定，医疗数据需要采取匿名化和去标识化的方式进行数据脱敏，保护患者的隐私和数据安全。匿名化是指通过对个人信息的技术处理，使得个人信息主体无法被识别或者关联，且处理后的信息不能被复原的过程。在匿名化过程中，所有能够直接或间接识别个人的数据都需要被修改或删除，以确保数据主体的身份无法被确定。去标识化是指通过对个人信息的技术处理，使其在不借助额外信息的情况下，无法识别或者关联个人信息主体的过程。然而，去标识化的目的是减少数据主体被识别的风险，但其依然存在个人信息被恢复的风险。
为实现对数据脱敏采用匿名化处理，推荐采用Python编程，通过pydicom.dcmread函数获取DICOM头文件中的tag，将医院名称（InstitutionName）、医院地址（InstitutionAddress）、患者姓名（PatientName）、患者编号（PatientID）、患者住址（PatientAddress）等涉及隐私的信息进行删除；对不同的中心进行编号（例如C001），用编号标记不同的中心。
（三）眼眶MRI数据质量控制
1.存储方式标准化：多中心收集的眼眶肿块MRI数据存储方式（文件夹分层）多样化问题与推荐方案。多参数MRI的数据特点是每例患者可能有多次MRI数据扫描，每次扫描有多个MRI序列，存储方式主要包括：（1）患者文件夹/序列文件夹/DICOM格式原始图像；（2）患者文件夹/DICOM格式原始图像；（3）患者文件夹/随机生成的名称作为文件夹名/DICOM格式原始图像；（4）患者文件夹/序列文件夹和StudyInfo等其他文件/DICOM格式原始图像和其他文件。存储方式的多样化不利于后续统一进行数据完整性检查以及去重等图像质量控制。
推荐解决方案：为解决多参数MRI数据存储方式多样性问题，推荐使用患者文件夹/扫描日期/序列文件夹/该序列的DICOM格式的原始图像，其中患者文件夹采用编号命名，序列文件夹采用序列名称命名。而对所有序列DICOM格式原始图像都在患者文件夹的存储方式，采用MATLAB编程语言的dicominfo函数获取所有DICOM格式原始图像的info.SeriesDescription属性，采用uniquecell函数获取所有图像中的序列名称，采用info.SeriesDescription属性名称建立文件夹，将DICOM格式原始图像放入每个图像所属的序列文件夹中，实现所有患者的数据存储方式相同，即按照“患者文件夹/扫描日期/序列文件夹/DICOM格式原始图像”的方式存储。
2.序列名称规范化：MRI数据序列名称不规范问题与解决方案。序列名称不规范不利于采用编程语言进行批量处理，在建立大数据模型数据处理和分析时，可导致自动寻找对应的序列图像失败。
推荐解决方案：推荐将所有中心的数据进行统一处理，实现序列名称规范化，采用以下解决方案：（1）对于缺乏增强标记的增强序列名称，在序列名称中增加“C”的标记；（2）对于缺乏成像方向标记的序列名称，在序列名称中增加成像方向的标记，将横断面图像标记为“Ax”，斜矢状面图像标记为“Sag”，冠状面图像标记为“Cor”，便于批量处理数据；（3）对于采用脂肪抑制技术图像无标记的序列名称，序列名称增加“FS”标记，未采用脂肪抑制技术的序列名称用“nFS”标记；（4）序列名称中存在特殊符号问题，比如*、<>、（）、+、？等，采用MATLAB语言的strrep函数，将特殊符号采用短下划线“_”代替。
3.数据完整性检查：数据缺失问题与解决方案。数据缺失主要包括但不限于以下问题：（1）患者文件夹存在，但文件夹里面无内容；（2）患者文件夹和序列文件夹存在，序列文件夹内图像不齐全。以上情况一般由于数据导出不完整或因网络问题导致数据传输失败所引起。
推荐解决方案：采用MATLAB编写程序，根据DICOM info属性，获取每例患者每个序列文件夹内的图像数据个数，保存为Excel表格，根据Slice Number人工批量初筛，如对应的Slice Number有异常，1名成员对怀疑不完整的图像采用人工方式打开图像进行检查，检查完毕后，另1名成员对图像完整性进行人工复核。
4.数据去重检查：图像数据重复拷贝的问题与解决方案。
推荐解决方案：根据存储方式“患者文件夹/扫描日期/序列文件夹/DICOM格式原始图像”，批量获取所有序列的DICOM属性，保存为Excel表格，对于数据重复情况，具体去重步骤如下：（1）重点关注和检查序列名称一样的数据；（2）根据DICOM属性判断两个序列是否有差别；（3）如果两个序列图像的所有DICOM属性都一致，采用人工打开方式，检查图像是否为采用脂肪抑制技术的图像和未采用脂肪抑制技术的图像，如确认是此种情况，不是重复图像；（4）如果两个序列图像的所有DICOM属性都一致，且图像上随机选取的位置上的像素点上的灰度值也一模一样，判断为重复图像。
5.图像质量检查：图像存在伪影等质量问题与解决方案。
推荐解决方案：建立排除标准，排除图像质量不合格的数据。（1）图像存在无法抑制的严重眼动伪影，影响结构和病变的显示；（2）图像中存在金属植入物等；（3）因各种因素导致图像中眼眶扫描不完整，图像存在缺失；（4）信噪比较低，影响了结构和病变的显示。
6.数据备份：为防止存储设备出现故障导致数据丢失或损坏等意外情况，数据库内所有数据都需备份。数据第一次备份采用固定备份的方式，每次新增或修改之后采用动态备份的方式，每次比对本次与上次的不同之处，只修改发生变化的文件。
推荐解决方案：采用MySQL中的mysqldump命令进行备份，该命令通过协议连接到MySQL数据库，将需要备份的数据查询出来，转换成对应的insert语句，当需要还原这些数据时，只要执行这些insert语句，即可将对应的数据还原。
二、眼眶肿块MRI数据标注
（一）眼眶肿块的定义及分类
眼眶肿块即发生在眼眶的肿瘤及肿瘤样变，组织学类型多种多样，包括原发于眶内各种组织的肿瘤及肿瘤样变、邻近部位（鼻腔、鼻窦、鼻咽部、颅前窝底和颅中窝底等）肿块累及眼眶，以及远处脏器来源的转移瘤。邻近部位肿块累及眼眶的病变不包含在本共识的讨论范围内。
本共识中，分别以部位、病变形态、病变边界、病变内容物特征和病变强化特征等为分类依据，细化各类眼眶肿块标注方法及注意事项。
1.以部位为分类依据：眼眶肿块根据累及范围分为局限性肿块和弥漫性肿块。（1）局限性肿块的定位包括肌锥内间隙、肌锥外间隙、泪腺窝、视神经及视神经鞘、眶隔前间隙、眶壁及骨膜下间隙、泪囊窝。发生于不同眼眶间隙的常见肿块和少见肿块类型请参考《眼眶肿瘤和肿瘤样病变3.0 T MR检查与诊断专共识》。（2）弥漫性肿块指肿块累及上述3个或以上部位。
2.以病变形态为分类依据：眼眶肿块根据病变形态特征分为形态规则肿块和形态不规则肿块。（1）形态规则肿块为圆形或椭圆形；（2）形态不规则肿块为楔形、分叶状、梭形、铸型及其他不规则形态。
3.以病变边界为分类依据：眼眶肿块根据病变特征分为边界清晰肿块和边界模糊肿块。（1）边界清晰常见于良性肿块，如海绵状血管瘤和神经鞘瘤等；（2）边界模糊多见于恶性肿块或炎性肿块，如淋巴瘤和腺样囊性癌等恶性肿瘤及炎性病变。
4.以病变内容物特征为分类依据：眼眶肿块根据内容物特征分为囊性、囊实性和实性肿块。
5.以病变强化特征为分类依据：眼眶肿块根据强化程度，分为轻度、中度和明显强化；根据肿块强化均匀性，分为均匀强化和不均匀强化；根据动态增强时间信号曲线类型，分为持续上升型、平台型和流出型。
（二）标注类型
根据具体的研究场景和需求，医学图像的标注可分为患者级别标注、图像级别标注及病变级别标注。
1.患者级别标注：患者级别的标注主要是在表格数据中添加标注，标记病变位置的文字表述、肿块良恶性、T1WI/T2WI/增强T1WI三个主要序列是否为采用脂肪抑制技术的图像、是否有DWI图像等，便于后续采用AI算法将1例患者作为1个样本进行分析。针对患者个体进行的标注，可进行“二分类”或“多分类”标注。（1）二分类标注，可标注肿块为局限性或弥漫性、良性或恶性、原发性或转移性等；（2）多分类标注，可标注病变的定位和信号特征等。
标注过程中，需要标注者调取患者影像图像、检查报告及病理报告进行核对，此种标注适用于病变的辅助诊断，优化临床诊疗流程。
2.图像级别标注：将患者影像检查序列中的每幅图像注释为正常或某种病变，无需医师对病变进行手动勾勒，只需将病变所在层面标注为阳性即可。利用AI技术有助于医师快速锁定病变层面，从而降低医师人工阅片的工作量，缩短阅片时间。
3.病变级别标注：对病变边界的标注，根据对病变边界精度要求的差异分为粗略标注和精细标注。（1）粗略标注，通常适用于快速处理数据集或初步筛选病变，标注耗时短，只需使用矩形框标出病变，保证整个病变在框内即可，无需准确标注病变边界。（2）精细标注，通常适用于更高精度的任务，例如基于图像的病变自动分割以及提取高通量影像特征用于疗效评估和预后分析等。标注过程耗时费力，需要沿着病变边界逐层勾画，以确保标注范围尽可能准确覆盖整个病变。
（三）标注方法
本共识主要针对病变级别的精细标注展开，常见的方法有手动标注、半自动标注和自动标注。
1.手动标注：依赖医师的专业基础知识和诊断经验进行病变定位和分割，可作为半自动标注和自动标注的金标准。
2.半自动标注：利用自动化算法（如区域增长和边界检测等）辅助标注，提高效率和精度。
3.自动标注：利用深度学习和机器学习技术自动进行标注，通常需要采用大量标注好的数据进行训练。标注的准确性对下游任务（如疾病诊断、图像分割和机器学习模型的训练等）有直接影响。
根据中华人民共和国医药行业标准《人工智能医疗器械质量要求和评价第3部分：数据标注通用要求》，在对病变进行半自动标注与自动标注后，需经医师审核确认合格，标注任务方可结束。
（四）标注要求和流程
1.标注数据要求：基于标注来源图像的研究方案需经过伦理委员会批准，以保障研究对象和数据的安全性。所有用于标注的眼眶MRI图像应为DICOM格式保存的全部原始数据，避免出现图像缺失、错层等情况，并对患者姓名、年龄、性别和医院名称等信息进行脱敏处理。任何人员不可对原始数据进行修改、编辑和有损压缩。
2.病变级别标注工具：病变区域标注工具可采用免费开源的ITK SNAP（http：//www.itksnap.org/pmwiki/pmwiki.php）软件、3D Slice（https：//www.slicer.org）和MITK［https：//www.mitk.org/wiki/The_Medical_Imaging_Interaction_Toolkit_（MITK）］等软件。ITK-SNAP软件开源，兼容多种医学图像格式，提供主动轮廓模型，软件较小，运行速度快，使用便捷，适合人工标注；但其缺乏丰富的AI扩展名模块。3D Slice支持多种数据格式，提供分割、配准、重建、形态学处理等多种常用图像处理工具，支持多种社区开发的插件和模块，可以根据需求扩展其功能；但由于其功能丰富，对于初学者来说，需要较长时间学习适应，且由于其强大的功能，需要较高的系统资源。MITK的优点：（1）支持多种交互操作，如拖拽、缩放、旋转等，查看影像时更加自如；（2）集成了众多经典的图像处理算法，如阈值分割、边缘检测、形态学运算等，可以对影像数据进行深入分析；（3）提供了完整的应用框架和模板，让开发者可以快速构建自己的医学影像应用。MITK的缺点为软件较大，对系统资源要求高，使用速度会因为硬件条件受到限制。
下文将以ITK-SNAP为例进行操作展示，具体如下：采用ITK-SNAP勾画病变区域时，若病变有清晰的边界，可采用该软件提供的基于活动轮廓方法的半自动分割方式；若病变无清晰的边界，则采用手动勾画的功能。在勾画时需要注意软件左下角的“Active Label”，如果为Label 1，勾画完成后在mask图像中病变区域的数值为1，背景区域为0；如果“Active Label”设置为Label 2，勾画完成后在mask图像中病变区域的数值为2，背景区域为0。在ITK-SNAP软件左下角的黑色框中，点击update可以看到已勾画区域的三维显示图，虽然部分病变在横断面、斜矢状面和冠状面图像上可能显示不连续，但在三维图中病变区域是相连的，软件界面示意图见图2。在本研究中，勾画时对所有患者的眼眶肿块病变区域都统一采用Label 1。
图2 ITK-SNAP软件眼眶肿块标注界面示意图。左下角为三维显示图
3.标注人员资质要求：标注团队需为从事放射诊断工作的专业医师，应由标注医师、审核医师和仲裁医师构成。（1）标注医师，至少2名，主治医师及以上职称，至少3年头颈影像诊断工作经验；（2）审核医师，至少1名，副主任医师及以上职称，至少5年头颈影像诊断工作经验；（3）仲裁医师，至少1名，主任医师职称，至少10年头颈影像诊断工作经验。对于参与标注的人员，统一对标注软件和标注规范进行讨论和培训，标注人员采用相同的标签进行患者级别标注，并采用相同的方式对图像中病变区域进行勾画，提高不同标注人员标注结果的一致性。如2名医师对同一个患者的标注一致性小于0.8，则认为标注质量不合格，需对该患者的图像进行重新标注和检查。
4.标注流程：通常情况下，标注流程应按照不同的研究需求和研究方案制定，总体而言应保证标注流程的科学性、规范性和可行性。标注流程见图3，观察眼眶各部位的最佳MRI断面参考《眼眶肿瘤和肿瘤样病变3.0 T MR检查与诊断专家共识》中的表5。
图3 多参数MRI眼眶肿块标注步骤流程图
（五）眼眶肿块MRI图像标注
1.标注方法：具体标注方法如下。
（1）MRI扫描规范。详见《眼眶肿瘤和肿瘤样病变3.0 T MR检查与诊断专家共识》。
（2）序列选择。眼眶肿块推荐标注平扫T1WI、T2WI和增强T1WI（横断面和冠状面加脂肪抑制技术）。眶腔内充填脂肪组织，T1WI脂肪组织呈高信号，与非脂肪性肿块信号差异显著、边界明确，标注时确定病变的边界比较容易；T2WI可显示病变内部的组织成分差异；增强T1WI可明确病变内部的血供情况；对于富含脂肪成分的眼眶肿块，如皮样囊肿或脂肪瘤等，于脂肪抑制图像上标注，避免将周围正常的脂肪组织纳入ROI范围。标注时，沿病变边界进行勾画，包含整个肿块，避免将眶腔脂肪、眼外肌及视神经等结构纳入ROI范围内。
（3）标注断面及窗宽、窗位。显示不同部位眼眶肿块的最佳MRI断面可根据具体的研究需求进行选择。若病变边界难以界定时，可结合冠状面、斜矢状面图像或调整窗宽、窗位进行判断。根据研究目的可选择逐层勾画肿块所有层面或在病变最大层面勾画。
（4）DWI序列标注：通常选择在高b值图像上进行标注，标注所有的异常信号区域。若病变范围难以确定时，可结合其他断面的图像标注。
（5）动态增强MRI序列标注：具体应用场景中可根据研究方案选择相应的动态增强扫描的期相对肿块进行标注。
2.标注内容及原则：应参考多种序列MRI影像特征标注眼眶肿块区域，遵循标准化流程（图像格式统一）和可溯源性（多中心编号加密）原则。
（1）局限性肿块。①边界清晰的肿块，采用手动或半自动标注方法。手动标注方法是在确定病变及邻近结构的边界后，沿病变边界轮廓逐层勾画，确保标注线条连续、平滑，以反映其实际大小和形状。半自动标注方法可利用ITK-SNAP软件中的动态轮廓模型（Active Contour Model）等对肿块进行勾画，然后手动调整边界，达到最佳契合效果，勾画示意图见图4~7。②边界模糊的肿块，首先使用ITK-SNAP软件中的多边形模型手动勾画边界相对清晰的部分，对于边界模糊的区域，结合分割一切模型等深度学习算法训练的分割模型进行AI辅助标注，随后进行手动调整，勾画示意图见图8~11。
图4~7 边界清晰的眼眶肿块勾画示意图。病理为海绵状血管瘤，右侧肌锥内间隙肿块，边界清晰，可采用手动或半自动标注方法，图5，7为标注后图像
图8~11 边界模糊的眼眶肿块勾画示意图。病理为淋巴瘤，左侧眼眶内肿块位于眼眶下象限肌锥外间隙肿块，肿块部分边界模糊，手动勾画边界相对清晰的部分，结合人工智能方法辅助标注边缘模糊部分，图9，11为标注后图像
（2）弥漫性肿块。弥漫性肿块常累及多个眼眶间隙和结构，肿块与泪腺或/和眼外肌等结构之间无明确边界，标注方法可参考局限性肿块标注中“边界模糊的肿块”的标注方法。
（3）包绕眼球的肿块。当肿块包绕眼球不超过1/2眼周时，采用直接勾画的方式完成标注；当肿块生长超过1/2眼周时，勾画时要特别注意“首尾重叠”，避免遗漏病变；当肿块完全包绕眼球时，结合横断面T2WI及增强T1WI图像进行标注，首先标注肿块整体和眼球，然后单独标注眼球，前者减去后者即为肿块，勾画示意图见图12~19。
图12~19 眼眶肿块完全包绕眼球的勾画示意图。病理证实为淋巴瘤，肿块完全包绕眼球。首先标注肿块整体和眼球（图12，13），再单独标注眼球（图14），两者减影后获得标注肿块的图像（图15）。图16~19为相应冠状面图像
图20~23 视神经肿块标注示意图。病理结果为视神经胶质瘤，联合T2WI（图20，21）和增强T1WI（图22，23），沿病变显示最大轮廓标注，图21，23为标注后图像
图24~27 视神经鞘肿块标注示意图。病理结果为视神经鞘脑膜瘤，首先标注肿块整体和视神经（图24，25），然后标注未强化的视神经（图26），两者减影即为标注的视神经鞘肿块（图27）
图28~31 眶壁及骨膜下间隙肿块标注示意图。病理为横纹肌肉瘤，结合平扫T1WI（图28，29）和脂肪抑制增强T1WI（图30，31），对整个肿块进行标注，图29，31为标注后图像
（4）视神经及视神经鞘肿块。①视神经肿块，联合T2WI和增强T1WI图像，沿病变显示最大轮廓标注，勾画示意图见图20~23。②视神经鞘肿块，在横断面脂肪抑制增强T1WI图像标注，首先标注肿块整体和视神经，然后标注未强化的视神经，前者减去后者即为视神经鞘肿块，勾画示意图见图24~27。③视神经及视神经鞘肿块累及颅内时，同时标注颅内病变。
（5）眶壁及眶骨膜下肿块。结合平扫T1WI和脂肪抑制增强T1WI，对整个肿块进行标注，勾画示意图见图28~31。
（六）标注注意事项
1.熟练掌握眼眶影像解剖学和眼眶肿块的影像学特征是准确标注的基础。
2.明确对边界模糊及弥漫性肿块边界的界定、眼球包绕程度的判断、视神经鞘与视神经肿块的鉴别，提高标注数据的质量。
3.对于肿块边界不易区分的病变，与审核医师充分讨论后再进行标注。
4.选择合适的标注工具和方法，确保标注的准确性和一致性。
5.注意病变始、末两层不要遗漏，且始末两层易受部分容积效应干扰，联合横断面、冠状面及斜矢状面图像观察，在判断病变位置及边界后进行准确标注。
6.标注时需遵循相应的规范和标准，包括标注格式、标注精度和标注标签等。
7.对标注人员进行培训和评估，提高其技能水平和数据质量意识，提高标注一致性。
8.标注完成后需进行质量控制和审核，及时发现和纠正标注错误和不一致性。
三、总 结
随着医学影像学技术的不断进步，眼眶肿块的诊断与治疗正逐步迈向精准化、个性化的新时代。本共识旨在通过多中心数据库的构建，为基于多参数MRI的眼眶肿块智能化诊疗提供大数据支撑，为提高眼眶肿块的诊断、疗效预测和预后预测等结果的稳定性和可靠性提供数据保障，促进眼眶肿块的智能化诊疗的推广和应用，提升眼眶肿块的精准诊疗水平。
执笔者：曲晓霞（首都医科大学附属北京同仁医院放射科）、王国蓉（首都医科大学附属北京同仁医院放射科）、王倩（首都医科大学附属北京同仁医院放射科）、李晴（首都医科大学附属北京同仁医院放射科）
共识专家组成员（按姓氏拼音排序）：毕万利（山东第一医科大学附属省立医院医学影像科）、陈涓（北京医院放射科）、陈楠（首都医科大学宣武医院放射科）、陈青华（清华大学北京清华长庚医院放射科）、陈潭辉（福建医科大学附属第一医院医学影像科）、陈钰（北京协和医院放射科）、丁长伟（中国医科大学附属盛京医院放射科）、丁忠祥（浙江大学医学院附属杭州市第一人民医院放射科）、高波（贵州医科大学附属医院影像科）、高顺禹（北京大学肿瘤医院医学影像科）、耿道颖（复旦大学附属华山医院放射科）、龚良庚（南昌大学第二附属医院医学影像中心）、巩若箴（山东第一医科大学附属省立医院医学影像科）、顾太富（南昌大学第二附属医院医学影像中心）、韩丹（昆明医科大学第一附属医院医学影像科）、韩庆贺（吉林大学第二医院放射科）、韩志江（浙江大学邵逸夫医院放射科）、侯阳（中国医科大学附属盛京医院放射科）、黄飚（广东省人民医院放射科）、黄显龙（重庆市人民医院健康管理中心）、金彪（上海交通大学医学院附属新华医院放射科）、金观桥（广西医科大学附属肿瘤医院医学影像中心）、李恒国（暨南大学第一附属医院医学影像中心）、李松柏（中国医科大学附属第一医院放射科）、李亚军（中南大学湘雅二医院放射科）、刘筠（天津市第四中心医院放射科）、罗德红（中国医学科学院肿瘤医院深圳医院放射科）、骆永恒（中南大学湘雅二医院放射科）、李铮（首都医科大学附属北京同仁医院放射科）、马国林（中日友好医院放射科）、马辉（华中科技大学同济医学院附属协和医院放射科）、马明平（福建省立医院放射科）、满凤媛（火箭军特色医学中心医学影像科）、潘初（华中科技大学同济医学院附属同济医院放射科）、彭娟（重庆医科大学附属第一医院放射科）、乔英（山西医科大学第一医院CT放射影像科）、邱士军（广州中医药大学第一附属医院医学影像科）、沙炎（复旦大学附属眼耳鼻喉科医院放射科）、史大鹏（河南省人民医院放射科）、宋法亮（新疆生产建设兵团医院医学影像科）、苏丹柯（广西医科大学附属肿瘤医院医学影像中心）、苏伟（云南大学附属医院医学影像科）、唐桂波（青海省人民医院医学影像中心）、陶晓峰（上海交通大学医学院附属第九人民医院放射科）、陶建华（首都医科大学附属北京同仁医院放射科）、王飞（海南省人民医院放射科）、王斐斐（郑州大学第一附属医院放射科）、王贵生（解放军总医院第三医学中心放射诊断科）、王丽君（大连医科大学附属第一医院放射科）、王新艳（首都医科大学附属北京同仁医院放射科）、王振常（首都医科大学附属北京友谊医院放射科）、王振祥（巴州人民医院医学影像科）、文戈（南方医科大学南方医院影像中心）、邬海博（北京大学第三医院放射科）、邬小平（西安交通大学附属西安市中心医院放射科）、吴斌（复旦大学附属肿瘤医院放射诊断科）、吴飞云（南京医科大学第一附属医院放射科）、夏军（深圳市第二人民医院医学影像科）、夏爽（天津市第一中心医院）、鲜军舫（首都医科大学附属北京同仁医院放射科）、肖岚（新疆生产建设兵团第三师总医院喀什院区影像科）、肖喜刚（哈尔滨医科大学附属第一医院影像中心）、邢伟［常州市第一人民医院（苏州大学附属第三医院）医学影像科］、徐坚民（深圳市人民医院放射科）、徐雷鸣（浙江大学医学院附属第二医院放射科）、许尚文（解放军联勤保障部队第九〇〇医院放射诊断科）、许晓泉（南京医科大学第一附属医院放射科）、杨军乐（西北大学附属第一医院影像中心）、杨智云（中山大学附属第一医院放射科）、叶靖（苏北人民医院暨扬州大学临床医学院医学影像科）、袁庆海（吉林大学第二医院放射科）、月强（四川大学华西医院放射科）、张放（复旦大学附属眼耳鼻喉科医院放射科）、张菁（华中科技大学同济医学院附属同济医院放射科）、张权（天津医科大学总医院医学影像科）、张水兴（暨南大学附属第一医院放射科）、赵鹏飞（首都医科大学附属北京友谊医院放射科）、周正荣（复旦大学附属肿瘤医院放射诊断科）、朱凌（上海交通大学医学院附属第九人民医院放射科）
