深度学习：乳腺x检测
本研究综述了乳腺影像学的检测方法及其应用领域。超声和钼靶主要用于初筛乳腺癌，而MRI用于评估治疗效果，病理用于确诊及治疗方案评估。近年来基因分析在肿瘤诊疗中发展迅速，用于遗传性乳腺癌筛查及个性化治疗。团队已开发并落地乳腺钼靶AI诊断产品，并展开核磁共振与病理相关研发工作。此外还介绍了乳腺影像学的数据集：DDSM包含10263张图像及标签分类数据；CBIS-DDSM涉及753个钙化病例和891个肿块病例；Inbreast含410张图像；MIAS含322张图像。研究重点包括分类与检测任务的实现方法及其弱监督学习策略等。
乳腺影像学检测方法
在乳腺癌诊疗过程中,主要采用了超声检查、钼靶扫描、核磁共振(MRI)技术和CT检查(经月经周期后1-2周进行)等医学手段作为辅助诊断与治疗依据。其中,超声与钼靶作为初步筛查的主要手段,而核磁共振技术则主要用于评估治疗效果;病理学检查对于确诊肿瘤并制定治疗方案具有重要意义。近年来,基因分析技术在肿瘤诊疗领域取得了长足进展,尤其是在遗传性乳腺癌的早期筛查方面发挥了重要作用,并逐步向个性化精准医疗方向发展。目前团队已完成乳腺钼靶AI辅助诊断系统的开发与应用,并在核磁共振技术和病理学分析方面也已启动相关研究工作
1、影像：轴位片（头足位 CC） 斜位片（MLO）*左右=4张影像
同侧 例如：rcc 或者R-mlo用于定位
左右两侧 例如：R-CC L-CC 用于比较是否不对称，两侧同拍照模式进行对比
2、BI-RADS评价分类
- 归为不确定类型
- 归为无明显病变
- 属于良性病变
- 预估为良性病变
- 呈现可疑恶性特征
- 高度提示恶性病变
- 经活检证实恶性病变
3、数据集：
3.1 DDSM (10263张，4025正例，标签分类，分割)
Standard Mammography Database (SMD) is a widely recognized and large-scale dataset in the field of digital mammography. It is divided into four subdirectories: benign_without_callbacks, benigns, cancers, and normals. Each subdirectory contains numerous cases, with each case representing a unique sample in the dataset. These categories correspond to different diagnostic classifications in breast imaging analysis.
其中LJPE文件是乳腺影像数据的原始存储格式，在医疗图像处理过程中正逐步转换为PNG格式。每个病例包含四张乳腺影像，在存在病变的情况下至少有一张影像带有分割标记。此外，在处理过程中需要特别关注的是：.MAT文件是由原-overlay信息提取而来的分割标记数据。
3.2 CBIS-DDSM
图像经解压缩处理后被转换为 DICOM 格式。新增了相关区域划分和边界标注功能，并对训练数据进行了病理分析。
注释了钙化和肿块的ROI。
数据集包含753个钙化病例和891个肿块病例
3.3 Inbreast (410张，100正例，标签分类，少量带框标签)
3.4MIAS (322张，分类标签)
4、乳腺检测任务
4.1分类+检测
弱监督学习（ 定位通常通 CAM or MIL ）
7分类 等级分类==》2分类 0-2 为良性 4-6 为恶性 3不参与考虑
2分类 钙化和肿块
4.2 分类+分割