编辑推荐：
在乳腺检查中，乳腺密度评估至关重要。为准确估计腺体分数（GF）并提升微钙化检测效果，研究人员开展相关研究。结果显示，该算法对 2 - 9cm 压缩乳腺厚度的 GF 估计误差较小，且微钙化对比度噪声比提升显著，有助于乳腺癌早期诊断。
在当今的医疗领域，乳腺癌已成为严重威胁女性健康的一大杀手。乳腺组织主要由脂肪和纤维腺体组织混合构成，其中腺体组织的含量与乳腺癌风险紧密相连。乳腺密度越高，患癌风险越大，同时，致密的乳腺组织还会干扰肿瘤的可视化，使得癌症更易漏诊。
目前，放射科医生在乳腺筛查和诊断时，需要评估乳腺的体积腺体分数（VGF）或给出 BI - RADS 分类。然而，现有的评估方法存在诸多不足。例如，BI - RADS 分类虽被广泛使用，但它通过描述性文本报告腺体分数，缺乏精确的量化数值，其可靠性和有效性也备受争议。基于卷积神经网络（CNNs）的方法虽在预测乳腺密度方面表现不错，但仍依赖定性的 BI - RADS 分类系统，存在一定主观性。而此前一些基于物理的研究，像 van Engeland 等人考虑腺体组织和脂肪相对比例的方法，虽试图获取定量值，但平均误差较高。在这样的背景下，开展一项更精准、有效的研究迫在眉睫。
为此，来自美国路易斯安那州立大学（Louisiana State University）的研究人员 Bryce J. Smith、Joyoni Dey 等人，开展了关于 “Maximum - likelihood estimation of glandular fraction for mammography and its effect on microcalcification detection” 的研究。该研究成果发表在《Physical and Engineering Sciences in Medicine》上。这一研究意义重大，若能精准估计腺体分数并提升微钙化检测效果，将大大有助于乳腺癌的早期发现和诊断，从而提高患者的生存率和生活质量。
研究人员主要运用了以下关键技术方法：
- 建立算法模型：开发了一种基于最大似然估计的算法，分两步进行，先通过迭代最大似然算法进行散射校正（ML - ScRmv），再估计腺体分数（ML - GF）。
- 模拟实验：利用 TOPAS（一种基于 GEANT4 的蒙特卡罗模拟软件）生成模拟乳腺图像，模拟不同压缩乳腺厚度（2 - 9cm）和不同腺体分数（20%、30%、50%）的情况。
- 临床数据验证：使用来自 UPMC Breast Tomography and FFDM Collection 的临床数据进行验证，在临床数据处理中，去除散射并对有效能量进行估计。
下面来看看具体的研究结果：
- 有效能量评估：研究发现，使用有效能量计算的吸收和散射损失与使用多能 W/Al 光谱测量的真实损失之间的误差小于 1%。对于不同厚度的模拟乳腺体模，28 kV W/Al 光谱下有效能量范围为 20.65 - 22.25 keV ，这表明使用有效能量的方法是有效的。
- GF 估计误差分析：在 2 - 9cm 压缩乳腺厚度范围内，基于抗散射网格（ASG）的散射去除方法（ASG - ScRmv/ML - GF）和软件算法散射去除方法（ML - ScRmv/ML - GF）估计腺体分数的均方根误差（RMSE）分别为 6.6% 和 7.6%，平均绝对误差分别为 4.5% 和 4.7%。对于 9cm 的极端情况，使用更窄的 W/Ag 光谱可降低误差，这表明较宽的光谱和较厚的乳房会导致更高的误差，可能与光束硬化有关。
- 腺体组织位置影响：通过改变模拟乳腺体模中腺体组织的位置进行研究，发现腺体组织在 z 方向位置的变化对腺体分数估计的影响不显著，平均差异最大为 2.3%。
- 临床图像分析：在临床图像研究中，虽然无法得知真实的腺体分数，但算法得到的腺体分数平均值约为 30%，与文献报道相符。并且，在添加微钙化的临床图像中，基于 ML - GF 算法生成的腺体分数图像对微钙化的对比度噪声比（CNR）有显著提升，平均提高约 200% ，使得原本在临床显示图像中几乎不可见的微钙化变得可见。
在研究结论和讨论部分，研究人员开发的最大似然估计算法在多数情况下能准确估计腺体分数，两种散射去除方法都取得了不错的结果。然而，该研究也存在一定局限性，如估计 GF 时需要I0和原始数据，这限制了临床数据分析；模拟中未考虑输入光谱随厚度和腺体 ularity 的变化，也未对自动曝光控制（AEC）进行建模；算法对于乳腺边缘像素的腺体分数估计可能存在误差。尽管如此，该研究为乳腺检查提供了新的思路和方法，其算法在微钙化检测方面的显著效果，使其在乳腺癌早期诊断中具有潜在的应用价值，有望改善乳腺癌的早期筛查现状，为临床实践带来重要的指导意义。
