基于T2加权MRI的乳腺密度自动分类方法研究及其临床意义

《Computer Vision and Image Understanding》：A method for automatic breast density classification in magnetic resonance imaging

本研究针对乳腺密度分类主观性强、依赖钼靶成像的现状，开发了一种基于T2加权MRI的自动分类方法。通过创建全乳和边缘掩膜，计算腺体周围脂肪百分比，将乳腺密度客观分为"致密"与"非致密"两类。在136例MRI数据验证中，准确率达0.86，特异性达0.97，为乳腺癌风险精准评估提供了可靠的MRI辅助工具。

　　

乳腺密度是评估乳腺癌风险的关键指标，传统分类方法主要依赖钼靶X线摄影，存在辐射暴露和二维成像的局限性。更值得关注的是，目前广泛采用的视觉评估法存在明显的主观性，不同放射科医生甚至同一医生在不同时间对同一图像的判断都可能出现差异。这种主观性不仅影响诊断的一致性，也可能导致风险评估的偏差。随着磁共振成像技术在乳腺检查中的应用日益广泛，开发基于MRI的客观、自动化的乳腺密度分类方法成为迫切需求。

在这项发表于《Computer Vision and Image Understanding》的研究中，意大利莫利塞大学的科研团队提出了一种创新的乳腺MRI密度自动分类方法。该方法基于T2加权MRI图像，严格遵循美国放射学会乳腺影像报告和数据系统标准，通过计算腺体周围脂肪百分比，实现乳腺密度的客观分类。

研究团队采用了几项关键技术方法：首先对DICOM格式的T2加权MRI图像进行预处理，通过切片筛选策略选取中心区域60个切片进行分析；开发了基于几何相似性的胸部区域自动排除算法，使用三角形相似原理精确识别并排除胸壁组织；采用双阈值法（1000和800）生成全乳掩膜和边缘掩膜；最后根据腺体周围脂肪百分比与50%阈值的比较实现"致密"与"非致密"的自动分类。研究使用的136例MRI数据来自当地医疗中心，包含各种临床特殊情况，确保了方法的实用性。

材料与方法

研究团队设计了一套完整的处理流程，从DICOM图像输入开始，经过切片筛选和胸部区域排除，生成全乳掩膜和边缘掩膜，计算腺体周围脂肪百分比，最终完成密度分类。方法创新性地采用了基于中央切片的几何相似性算法，确保了对不同乳腺形态的适应性。

实验结果

在136例MRI数据的验证中，该方法展现出优秀的分类性能。总体准确率达到0.86，精确度为0.96，特异性为0.97，敏感性为0.76。特别值得注意的是，该方法对包含假体植入、乳房切除术后等特殊病例也表现出良好的适应性，7例特殊病例中有5例被正确分类。

边界案例分析

研究发现，分类错误主要集中在边界病例（腺体周围脂肪百分比在50%±10%范围内）。在31例边界病例中，19例被正确分类，12例出现误判，这反映了在密度接近临界值时分类的挑战性，也符合临床实践中边界病例判断困难的特点。

特殊病例处理

研究包含了乳房切除术、假体植入、结节切除术等特殊病例，该方法在这些复杂情况下仍保持较好的分类能力，证明了其临床实用价值。特别是对术后乳腺组织的准确分析，显示了方法对乳腺结构变化的适应性。

研究结论表明，这种基于T2加权MRI的自动分类方法不仅提供了客观、可重复的乳腺密度评估标准，还为临床实践提供了有价值的辅助工具。与传统的钼靶检查相比，MRI方法避免了电离辐射，且能提供三维信息，有效克服了组织重叠带来的"遮蔽效应"。

讨论部分进一步强调了该研究的创新意义。目前商业化的乳腺密度评估工具主要基于钼靶成像，MRI领域的自动化分类方法尚属空白。本研究填补了这一技术空白，为乳腺密度评估提供了新的技术路径。特别是在边界病例的定量分析方面，该方法能为放射科医生提供客观的数值参考，减少主观判断的变异。

未来研究方向包括将二分类系统扩展到完整的四类BI-RADS分类，以及引入深度学习技术提升分割和分类的准确性。随着MRI在乳腺筛查中的应用日益普及，这种自动化的密度评估方法有望成为标准化临床流程的重要组成部分，为乳腺癌的早期发现和风险 stratification提供更可靠的支持。

该研究的实际意义不仅限于提供了一种新的技术方法，更重要的是为乳腺密度的客观评估建立了可重复的标准，这对于实现精准医疗和个性化乳腺癌筛查策略具有重要意义。特别是在高风险人群的监测中，MRI为基础的密度评估可能成为重要的辅助决策工具。