人工智能在乳腺微钙化簇筛查中的应用

作者:孙浩天 时间:2020-09-24

  乳腺癌是女性发病率最高的癌症,2019年国家癌症中心统计报告显示,2015新增乳腺癌30.4万例,发病率为45.29/10万,我国乳腺癌的五年生存率(82.0%)与欧美等国家(90.9%)相比差距较大,对乳腺癌的及时筛查及治疗是降低死亡率的关键。乳腺微钙化点在影像学上表现为高亮的点,单位平方厘米内含5个以上的微钙化点即可称为微钙化簇,微钙化簇是乳腺癌的早期症状之一。完整的乳腺微钙化簇CADs包含候选样本检测和假阳性降低两个部分,微钙化簇假阳性降低旨在从微钙化簇检测算法输出的候选样本中筛选出真微钙化簇同时剔除假阳性样本,从而降低检测算法的假阳性率。

 

  图1 

 图2 

数字乳腺X线断层摄影(Digital Breast TomosynthesisDBT)通过重建有限角度的X射线图像获取乳腺的三维断层信息,它能够缓解二维的数字乳腺X线摄影(Digital MammographyDM)存在的病灶被致密组织遮挡的问题,降低了医生漏诊的风险同时提高诊断的准确率。受DBT成像原理的限制,DBT图像的层内分辨率比层间分辨率高约10倍,DBT的层内分辨率约为0.1mm/pixel,而层间分辨率约为1mm/pixel,这增加了三维特征提取的难度。

 

  图3 

  针对这一现象,苏州医工所杨晓冬课题组与苏州市立医院东区乳腺筛查中心合作,提出了一种基于三维各向异性卷积的乳腺微钙化检测及假阳性降低算法,整体流程如图4所示,包括候选样本检测和假阳性降低两部分。候选样本检测部分采用高斯滤波结合区域聚类的方法获得初步的微钙化簇候选样本,之后采用深度学习算法进行假阳性降低任务。针对DBT影像各向异性分辨率的特点,课题组提出了一种三维各向异性卷积神经网络(如图2所示),可以避免各向异性分辨率的影响同时加强了模型对中心切片的特征重用。课题组在收集的包含592例病例的数据集上进行了实验,获得了0.9765AUC,性能优于其他四种对比算法,具体实验结果如图5所示。

 

  图4 

 

  图5 

  该研究成果“3D Context-Aware Convolutional Neural Network for False Positive Reduction in Clustered Microcalcifications Detection”发表于IEEE Journal of Biomedical and Health Informatics杂志(2020)。

附件下载: