编辑推荐：
为解决乳腺钼靶图像中病变分割与分类精度不足的问题，研究人员开展了混合深度学习与主动轮廓模型（U-Net_ACM）的研究。结果显示，该模型准确率达 97.34%，Dice 系数 0.813，IoU 0.891，优于 VGG 等模型，为乳腺癌筛查提供新方案。
乳腺癌作为全球女性健康的重大威胁，其早期精准诊断至关重要。传统钼靶图像分析依赖放射科医生人工解读，面临病变特征细微、阅片耗时、易受主观因素影响等挑战，导致假阳性和假阴性率较高。计算机辅助诊断（CAD）系统虽能辅助分析，但现有方法在复杂病变边界勾勒和特征提取上存在局限，尤其对低对比度、不规则形态的病灶分割精度不足。因此，开发更高效的自动化分析模型成为医学影像领域的迫切需求。
为突破上述瓶颈，研究人员开展了混合深度学习与主动轮廓模型的乳腺病变分析研究。通过构建 U-Net_ACM 模型，结合深度学习的特征提取能力与主动轮廓模型（ACM）的边界细化优势，旨在提升钼靶图像中乳腺病变的分割与分类性能。该研究成果发表在《Intelligence-Based Medicine》，为乳腺癌早期筛查提供了新的技术路径。
研究采用中国乳腺钼靶数据库（CMMD）的 5202 幅全视野数字化钼靶图像（FFDM），经预处理（DICOM 转 PNG、归一化、形态学操作等）后，利用 U-Net 进行初始分割，再通过主动轮廓模型迭代优化边界。关键技术包括：U-Net 的编码器 - 解码器架构结合跳跃连接提取多尺度特征；主动轮廓模型通过能量最小化（内部能量控制轮廓平滑度、外部能量结合图像梯度引导边界定位）细化分割结果；采用二进制交叉熵损失函数和 Adam 优化器训练模型，并通过 Dice 系数、交并比（IoU）等指标评估性能。
结果分析
模型性能评估
U-Net_ACM 模型在测试集上表现优异，准确率达 97.34%，Dice 系数为 0.813，交并比（IoU）0.891。训练过程中，训练损失与验证损失持续下降，验证准确率稳步提升，表明模型未出现过拟合，泛化能力较强。
对比其他模型
与 VGG16、VGG19、DeepLabV3 等预训练模型相比，U-Net_ACM 在各项指标上显著领先。例如，VGG16 的准确率为 91%，DeepLabV3 的 IoU 仅 0.60，而 U-Net_ACM 通过主动轮廓模型的边界优化，有效解决了传统深度学习模型分割边界粗糙的问题，尤其在处理低对比度病灶时优势明显。
临床适用性验证
通过可视化分析，U-Net_ACM 能更精准勾勒病变轮廓，减少过分割与欠分割现象。尽管初始训练耗时 20 小时，但模型部署后单次处理仅需 10 分钟，具备临床实时分析的潜力。
结论与意义
本研究构建的 U-Net_ACM 模型通过深度学习与主动轮廓模型的协同，显著提升了乳腺钼靶图像的病变分割与分类精度，为计算机辅助诊断系统提供了更可靠的技术方案。其优势在于结合了数据驱动的特征学习与模型驱动的边界优化，有效应对了钼靶图像的复杂性与异质性。未来研究可进一步扩大数据集多样性，探索多模态影像融合（如结合超声、MRI），并优化模型计算效率，推动其在临床场景中的广泛应用。该研究不仅为乳腺癌早期检测提供了新工具，也为医学影像分析领域的跨技术融合提供了借鉴思路。
