基于深度學習的X線診斷乳腺癌研究進展

聶貞慧，劉麗東，蘇丹柯

(廣西醫科大學附屬腫瘤醫院醫學影像中心，廣西 南寧 530021)

乳腺X線攝影作為乳腺癌的重要檢查手段廣泛應用于臨床，但在乳腺X線片上，可疑乳腺癌病變通常與致密纖維腺體組織相互重疊，導致X線診斷乳腺癌的假陰性率較高。近20年來，基于機器學習的計算機輔助診斷(computer aided diagnosis，CAD)快速發展，使影像科醫師的診斷效率及準確率顯著提高[1]。深度學習是近年來機器學習的熱點，具有易學、通用及高效的優點，適用于CAD。本文對深度學習在X線診斷乳腺癌中的研究進展進行綜述。

1 深度學習及其模型概述

深度學習被《麻省理工科技評論》(MIT Technology Review)稱為2017年重要的突破性科學技術之一。深度學習是由多個處理層組成的計算模型，其中每層均為典型的神經網絡，通過反向傳播算法學習具有多個抽象級別的數據。在深度學習模型中，由低層神經網絡自動學習和提取有效的圖像特征，隨后根據較高層神經網絡提取的特征將圖像分為不同的目標類別，發揮分類器的作用。與傳統機器學習相比，深度學習能夠自動從原始輸入數據中學習分層特征，具有較傳統分類器更高的分類性能[2]。目前，應用于圖像分析的深度學習網絡主要包括卷積神經網絡(convolutional neural networks，CNN)、深信度網絡(deep belief networks，DBN)、多層反饋循環神經網絡(recurrent neural network，RNN)及上述學習網絡的改進模型[3]。深度學習最初用于計算機語音、圖像識別等領域，近年來逐漸應用于醫學領域，如肺部微小結節分類[4]以及預測膠質瘤患者生存時間[5]等。

2 深度學習應用于X線診斷乳腺癌的步驟

深度學習用于X線診斷乳腺癌主要包括5個基本步驟，分別為數據集選擇、圖像處理、預訓練、病變檢測與分割、特征提取與病變分類。

2.1 數據集選擇和圖像處理 用于深度學習模型訓練的乳腺X線片通常來源于公共數據集或私人數據集。常用的公共數據集包括乳腺X線攝影數字化數據庫、全數字化乳腺X線攝影數據庫等[6]，不僅數據量充足，且包含詳細的圖像信息及精確的專家注釋，為訓練和驗證深度學習模型提供數據保障。非公開的私人數據集的數據選擇較前者更靈活，可以根據研究目的構建相應的X線攝影數據集，但因私人數據集的建立通常未遵循統一標準，可能影響模型之間性能的比較。此外，選取私人數據集時，其研究對象通常存在一定的局限，如僅對包含異常征象的乳腺X線片進行訓練而忽視正常乳腺，可能導致測試結果產生偏差[7]。

模型訓練之前對圖像進行一定的預處理，可以提高訓練結果的準確性。當訓練集數據量不充足時，可通過對圖像進行幾何變換(如旋轉、平移、縮放)或增加噪聲等技術手段進行擴增[8]，使圖像數據集增至1 000倍以上，以保證數據量充足，避免發生過擬合現象。此外，預處理可降低計算的復雜性、提升訓練速度，如Qiu等[9]使用傳統平均方法將每個ROI從512×512像素縮小至64×64像素下采樣，Mohamed等[10]將直方圖均衡化應用于所有圖像作為預處理步驟，以校準圖像對比度。

2.2 預訓練 預訓練模型為解決相似目標任務而建立，構建模型時可僅針對模型中的數層結構進行微調，避免對整個模型結構進行訓練。研究[11]表明，預訓練不僅可顯著縮短運算時間，還能提高對乳腺X線片的分類效率。通常由遷移學習完成數據預訓練。首先選擇在圖像識別可視化數據庫(ImageNet)等大型數據集上進行訓練，為之后的深度學習模型訓練提供參數優化，并增加圖像細節信息；然后將預訓練模型相應的結構和權重直接應用于目標任務中[12]。

2.3 病變檢測與分割檢測 病變是決定深度學習模型精度的關鍵環節，通常由3個階段組成：首先使用圖像濾波器檢測候選區域，劃定ROI；隨后利用支持向量機、線性判別分析等不同類型的分類器消除檢測的假陽性結果；最后采用貝葉斯優化[13]等細化步驟，改進所劃定的ROI邊框的尺寸和定位，以降低圖像重疊率，實現對病灶形狀、大小和密度變化的穩健建模，提高檢測精度。

從乳腺X線片中準確分割病變是深度學習模型開發的另一關鍵技術[9]，分割的準確性直接影響下一步病灶分類的性能，其影響因素包括腫塊形狀及大小、圖像SNR等。目前用于分割病變的方法主要包括閾值法、馬爾可夫隨機場[14]及具有強大形狀先驗功能的水平集方法。Dubrovina等[15]采用閾值法對乳腺X線片中的乳頭、胸肌、纖維腺體組織及皮膚進行分割，顯示出良好的組織分割性能。此外，Chan等[16]將水平集方法用于分割細化階段，將圖像調整至高分辨率進行輸入，便于組織劃分。

2.4 特征提取與病變分類 深度學習利用模式識別的方法，從大量乳腺X線片原始數據中提取數字化特征，并在此基礎上進行數據挖掘。不同于醫師解讀的圖像特征，深度學習提取包含一階、二階和更高階的數據特征，包括病變大小、形狀、位置、灰度直方圖等低級別特征及根據病變分布計算出的紋理、小波、分形維度等高級別特征。病變分類過程中，通常將這些提取的特征作為模型輸入，然后基于支持向量機或多層感知器等傳統機器學習方法對病變進行分類[17]。Jiao等[18]從卷積層中自動提取腫塊的不同深度特征，并對圖像進行分類，結果顯示其對病變的分類準確率與醫師診斷結果相當，提示該方法能夠較好地模擬醫師的診斷過程。

3 深度學習在乳腺癌X線診斷中的研究現狀

腫塊邊緣、形態、密度及微鈣化形態、分布均是乳腺X線攝影診斷乳腺癌的重要征象。針對這些征象開發單一或組合的深度學習模型，可用于輔助乳腺X線攝影診斷乳腺癌。目前深度學習在X線診斷乳腺癌中的應用主要包括乳腺腫塊分類、微鈣化檢測及早期預測乳腺癌風險等。

3.1 乳腺腫塊分類 對乳腺腫塊進行分類是深度學習在X線診斷乳腺癌中最為廣泛的研究方向之一。1996年，Sahiner等[19]將深度學習網絡應用于X線攝影檢測乳腺腫塊與分類，驗證了在乳腺X線攝影中應用CNN的可行性。隨著對乳腺X線攝影深度學習模型的不斷完善和改進，自動學習腫塊特征方法的分類性能明顯提高，且可在未行預訓練的情況下直接將特征用于模型的分類階段[20]。Kooi等[21]開發了一種在乳腺X線攝影中區分良性孤立性囊腫和惡性腫塊的模型，通過采用組織增強的方法對重疊組織實現穩定分類，準確率高達80%，接近于光譜乳腺X線攝影的性能。總之，基于深度學習對乳腺腫塊進行分類有助于早期識別良惡性病變，提高腫塊分類的準確性，減少二次檢查或穿刺活檢，為惡性病變患者贏得最佳臨床治療時機并改善其預后。

3.2 微鈣化檢測 微鈣化在檢測和診斷乳腺癌中具有重要價值。Chan等[22]于1995年首次應用CNN檢測微鈣化簇，但由于數據量有限，僅顯示CNN可降低假陰性率，并不能基于微鈣化對病變進行明確的良惡性分類。Bekker等[23]通過對2個攝影方位的乳腺X線片進行單獨的神經網絡訓練，再組合成單神經元層進行整體決策，使微鈣化的分類準確率至少提升12%。Samala等[24]探討不同卷積層結構對分類性能的影響，以對微鈣化分類模型進行篩選，結果顯示增加卷積層中過濾器數量可明顯提高微鈣化分類的準確性。Wang等[25]采用堆疊去噪自動編碼器同時檢測乳腺X線片中的腫塊和微鈣化點，用以評估深度學習模型在大數據集中的分類性能，使檢出微鈣化的敏感度顯著提高，對早期發現乳腺癌及其準確分期具有重要指導意義。隨著深度學習模型的開發，微鈣化的分類準確性有望進一步提高。

3.3 早期預測乳腺癌風險 早期預測乳腺癌風險對指導篩查高危人群及評估受試者是否需要接受干預性化療或手術具有重要作用。Wang等[26]將風險預測模塊應用于X線診斷乳腺癌，結果顯示該模型預測乳腺癌的準確率達71.4%，提示深度學習對開發早期預測乳腺癌風險模型具有巨大潛力。Li等[27]構建具有遷移學習的CNN模型，以區分乳腺癌高風險與低風險人群，并在456名包含正常及2種風險人群的數據集中進行測試，發現與傳統紋理分析對比，該模型具有更好的提取特征及區分癌癥風險人群的性能。Sun等[28]對每個圖像劃定的ROI進行DNN訓練，并基于所有ROI的總風險評分做出最終預測，結果表明該模型診斷乳腺癌的AUC達0.72，提示此法有望使深度學習模型用于有限數據量早期預測乳腺癌風險。

4 挑戰與展望

深度學習在乳腺X線攝影領域發展迅猛，但其未來發展仍面臨巨大挑戰。首先，建立統一的乳腺X線攝影數據庫十分困難，需要多個單位的配合并制定規范統一的標準；其次，巨大的神經網絡參數量影響運算速度，需在保證診斷準確率的前提下不斷完善網絡結構，提升運算速度；再次，深度學習模型在未來的不斷發展離不開影像科醫師和計算機專家的通力合作，需要對現有研究適時改進，不斷優化模型結構。盡管存在諸多困難，但深度學習近年來的飛速發展不斷拓展著醫學影像學的邊界，有望在不久的將來實現深度學習在X線診斷乳腺癌中的有效應用，成為影像科醫師閱片、診斷的有力助手。