5.23.1 深度学习在乳腺癌成像中的应用

乳腺成像对于早期发现乳腺癌以及在治疗阶段进行监测与评估具有重要意义。其最常见的应用包括数字化乳房X射线摄影技术、基于数字的断层合成影像技术、超声检查以及磁共振成像等方法。

传统 CAD 系统通过传统机器学习 (ML) 技术建立起来；在系统中作为输入使用的特征是预先设置好的。

1. 乳房成像方式简介

常用的乳房成像方法包括数字乳房X线摄影（DM）、数字断层合成（DBT）、超声波成像（US）以及磁共振图像生成技术（MRI）。其中，在DM技术中使用X射线穿过胸部区域，并由专门设计的数字X射线探测器接收信号以形成二维图像；然而，在这种技术应用中存在明显的组织叠加现象。尤其是在高密度乳腺情况下更为明显：其中纤维腺体组织可能掩盖病变的发生机会高达70%以上

在DBT中，在稍有不同的位置进行多方位X射线扫描，并生成与常规数字减影（DM）相比叠加效果减弱的部分断层图像。其解析难度较高，导致检查时间延长。

在进行超声检查时，在乳房区域发送声波的同时捕获反向散射波，并生成相应的超声图像。这些实时显示的超声图像是由专业人员负责解读和评估的必要环节。然而，在完整记录整个乳房区域的技术上存在较大难度。相较于 DBT 和 DM 来说，在使用 US 技术时成像的效果有时不够直观；此外，在某些情况下频繁检测良性乳腺病变可能导致不必要的进一步检查。

MRI 通过施加强磁场和短脉冲无线电波作用于乳房/人体特定位置内的水分子使其发生状态变化；当这些水分子回到基态时它们会自行释放出电磁波；检测到这些电磁波并将之转换为三维 MRI 成像数据；相较于 DCE-MRIdynamic breast MRI 和 US（超声），MRI 在乳腺癌诊断中的敏感度最高；进行乳腺 MRI 检查前需静脉注射钆系物这是一种较为昂贵的技术手段。

2. 人工智能和深度学习

被机器学习程序处理的数据分为两类：一种为可量化属性（特征），另一种为原生观测值（原始数据）。特征代表可测量的数据属性（如病变程度），例如病变长度等指标。 在乳腺癌影像学研究中常用的原生观测值包括磁共振成像（MRI）、超声波（US）以及数字化断层扫描（DM）。

当输入为原始数据时，则该算法必须自行提取特征。所学到的这些特征通常能够比传统手工提取的特征在性能上更优。

一名45岁女性接受数字乳腺X射线摄影、超声波和磁共振成像检查。左侧为数字乳腺X射线摄影结果图示（如红色箭头所示），显示左侧乳房存在浸润型导管癌病变；右侧为磁共振成像图像。

在分割与检测场景中，并交比（IoU）和 Dice 相似系数 (DSC) 常被用作衡量标准，在分割与检测场景中并交比（IoU）常用于评估模型预测结果与真实标注之间的重叠程度，在分割与检测场景中 Dice 相似系数 (DSC) 则用于衡量模型预测区域与真实区域之间的相似性水平 在分割与检测任务中 IoU 和 DSC 的计算结果均反映了模型预测区域与真实区域之间的匹配程度 理想情况下 模型预测的边界框应高度贴合真实边界框 从而获得较高的 IoU 或 DSC 计算值

3. 数字乳房X线摄影（DM）和数字乳房断层合成（DBT）

候选病变（亦称感兴趣区域 (ROI)）主要通过以下两种途径获得：一是从整个体外DM或DBT扫描结果中进行人工分割；二是采用传统的CAD技术辅助完成。在乳腺X线成像系统的基础上开发了专门针对病变检测的算法，在分割后的图像块中自动获取特征信息，并结合随机森林分类器筛选出候选病变区域

主要通过人工或常规方法识别目标区域 (ROI)，然后深度学习模型对该区域进行分类。下图显示 DL 模型可以直接对乳房 X 光照片进行分类，并不需要提前识别 ROI。

为了充分运用深度学习技术，在CAD系统中将输入数据从仅包含可疑区域的小补丁替换为完整的DM和DBT扫描方案会更加高效可靠地实现图像识别效果提升的目的。 相较于仅关注病变斑块而言，在乳房X光照片上直接应用DL模型能够显著提高诊断准确性并降低误诊风险

为了仔细评估恶性肿瘤的情况并做出决策，放射科医生不仅依赖包含可疑病变的乳房图像（MAD），还通过分析双边差异（即左右乳房之间的形态变化）以及时间差异（前后两次扫描间的对比）来辅助诊断。

鉴于数字化乳腺 X 光检查 (SFM)、DM 检测以及 DBT 检测之间具有高度相似性，在训练 DCNN 时可以充分考虑这些模式的影响。这将有助于生成一个更大规模的数据集，并使 CAD 系统的表现更加出色。

在过去的几年里，在除了检测与分类之外的地方（领域），人工智能技术也被广泛应用于构建更为精确的风险评估系统。在过去的研究中发现，默认情况下（大多数情况），风险预估模型主要依据的是乳腺X光密度的数据。然而这些方法依赖于实际进行的乳腺X光检查结果来推断患者的未来患癌可能性。

生成对抗网络（GAN），如果在适当的条件下进行严格训练，则可以实现与训练数据集中的图像呈现相似分布的新图像的生成。例如，在现代医疗领域中应用广泛的技术如深度学习中的断层扫描技术已被用于生成合成数字乳房X光照片（SDM）。这种技术不仅能够显著降低X光扫描所需的辐射剂量，并且还能辅助医生探测难以从常规影像学分析中识别的小型钙化病变组织。

4. 超声图像

通常情况下，“超声图像”的数据集规模往往小于DM集合的规模；这是因为超声图像在筛选目标时的应用范围相对有限。除了迁移学习之外，“一种广为人知的补充方法”是提高小规模数据集性能的有效途径。而这一手段则是通过对现有数据进行旋转、翻转以及平移等方式生成更多样化的训练样本来实现的。

沿着纵向轴执行图像旋转或移位可能会影响到乳腺肿块的关键特征，并可能导致其分类性能出现潜在的影响。归因于高度占优（纵向方向）的病变较宽度占优（横向方向）的病变更为容易演变成恶性病变。

放射科医生不会将可疑病变归类为良性或恶性,而是依靠乳腺影像报告和数据系统 (BI-RADS) 进行分级评估

在超声图像的分析中，深度学习不仅用于病变分类，在病变检测方面也有显著应用。为了实现检测目标，在进行分析时通常会将相关图像导入 CAD 系统。随后系统会评估病变的存在与否。此外，在实际应用中可以选择常规的二维超声成像技术或者采用三维动态乳腺超声成像技术来完成这一过程。其中三维动态乳腺超声成像技术的优势在于其能够系统性、全面地捕捉整个乳房的结构特征。

当发现乳房中有可疑病变时

5. 磁共振成像

DM、DBT和US用于生成二维图像，在此过程中MRI则构建三维扫描体。当观察MRI随着时间的变化时（如注入或排出造影剂的动态对比增强（DCE-MRI）），维度进一步延伸至四维空间。值得注意的是，在处理这些三维或四维的MRI扫描数据时可能存在局限性：由于大多数深度学习模型设计为二维图像处理而优化，在应用于更高维度的数据时可能会出现性能问题

常见的方式是将3D图像转译为2D图像以便能够利用现有的二维深度学习模型。这可通过将3D MRI图像分割成2D切片或采用最大强度投影（MIP）技术来实现。然而，在开发标准深度学习模型时通常会考虑多通道输入因此基于RGB三通道的技术更为普遍。需要注意的是因为MRI扫描通常是单色的因此在应用上述方法时应特别注意这一点以避免引入额外的颜色信息干扰。除此之外还有一种方法即直接使用实际的3D MRI数据并对其进行必要的预处理以适应现有二维深度学习框架的需求或者采用专门设计用于处理三维数据的网络结构如三维卷积神经网络（如3DCNN）。