基于多维深度学习的枢状窦（蝶窦）液体分割与体积评估：溺水案例的死后CT研究

为何这对尸检室之外也很重要

当有人被发现在水中死亡时，即便是经验丰富的法医也常难以自信地判断该人是真正溺水身亡，还是先死于其他原因。一个细微的线索是积聚在鼻腔深处一处小型充气腔——蝶窦（sphenoid sinus）中的液体。在死后CT上测量该处的液体可能提供帮助，但手工测量既耗时又很依赖阅片者。该研究探讨现代计算机视觉技术能否自动检测并测量这些液体，从而为复杂的溺水调查提供更快速、更一致的支持。

一个隐藏的腔室却有重要线索

在溺水案例中，液体经常渗入鼻旁窦——面部骨骼内的微小腔室。位于颅底深处的蝶窦尤其值得关注，因为其中的液体可用于检测显微藻类或盐分水平，这些信息有助于判断死者是在淡水还是海水中溺亡。早期研究表明，死后CT扫描可粗略对应尸检时发现的液体体积。但要得到精确数值，专家需要在计算机上逐层勾画液体区域——这一繁琐任务难以标准化，也不适合处理大量病例。

教计算机识别液体

研究团队采用了在医学影像中广泛使用的一类图像分析系统，即U-Net风格的深度学习模型。他们收集了165例经尸检证实为溺水死亡的死后CT扫描。一位经验丰富的观察者手工描绘蝶窦内的液体，作为计算机学习的参考标注。数据被划分为训练、验证和测试组，以便在模型未见过的数据上评估其性能。研究人员随后构建了三种系统：一种仅查看单个CT切片（2D），一种同时考虑该切片及其相邻两片（2.5D），以及一种一次性分析头部小体积三维块的模型（3D）。

模型的表现如何

三种模型均能在测试扫描上标出蝶窦内的液体，且与人工专家的标注高度一致。2D和2.5D方法在勾勒液体形状和边界方面最为可靠，而3D版本在精确度上略逊一筹且个案间差异较大。将这些轮廓转换为实际液体体积后，自动估计值与参考值的差距在毫升的很小分数范围内，且差异无统计学显著性。三种模型的预测体积与人工体积高度相关，表明计算机生成的测量可替代耗时的手工测量。

为何折衷方法胜出

2.5D模型（在查看一片的同时参考其相邻切片）在准确性与可行性之间提供了最佳平衡。它借助一定的三维上下文来帮助区分真实液体与相邻的骨性或软组织结构，同时避免了完整3D模型常见的高计算负担与不稳定性——尤其是当感兴趣结构体积极小且仅出现在少数几层切片时。对于计算资源有限但需处理大量病例的繁忙法医中心，这种折衷策略在日常应用中可能是最现实的选择。

这对未来死亡调查意味着什么

对非专业人士而言，核心结论是：计算机现在能够可靠地在死后CT上定位并测量颅内深处的一个小液体腔，其表现与人类专家非常接近。研究表明，这类自动化测量可快速且一致地产出，为在尸检开始前利用CT数据支持溺水诊断打开了可能性。尽管这项单中心研究仍需更广泛的验证，并扩展到其他鼻窦及非溺水死亡情况，但它指向了一个前景：先进的影像分析有望在法医学一些最具挑战性的问题上，悄然增强证据的力量。

引用: Heo, JH., Kim, MJ., Jang, S.J. et al. Multi-dimensional deep learning–based segmentation and volumetric assessment of sphenoid sinus fluid on postmortem CT in drowning cases. Sci Rep 16, 13800 (2026). https://doi.org/10.1038/s41598-026-44094-3

关键词: 溺水诊断, 死后CT, 法医影像, 深度学习, 鼻窦积液