基于深度学习框架的数字化乳腺摄影乳头分割新方法及其在医学影像分析中的应用

为解决数字化乳腺摄影中乳头精准分割的难题（这对多视角/多模态图像配准至关重要），研究人员开发了一种新型深度学习框架。该研究在基线方法完全失效的案例中实现了100%检出率（mIoU达0.63），CC视图mIoU从0.7408提升至0.8011，MLO视图从0.7488提升至0.7767，Hausdorff距离改善近十倍，为乳腺癌影像分析提供了突破性技术方案。

　　

这项突破性研究提出了一种革命性的深度学习框架，专门用于解决数字化乳腺摄影(Digital Mammography, DM)中乳头分割的临床痛点。作为乳腺影像的关键解剖标志，乳头准确定位直接影响多视角（如CC和MLO视图）配准精度，进而决定乳腺癌筛查的可靠性。

研究团队开发的算法在传统方法束手无策的复杂病例中表现惊艳：不仅实现全样本检出，更在基线方法完全失效的情况下取得0.63的mIoU^**值。性能指标全面碾压现有技术——在头尾位(CC)和斜位(MLO)视图分别将mIoU提升8.13%和3.73%，Hausdorff距离缩短近90%！

更令人振奋的是，该框架展现出强大的泛化能力，不仅能应对乳腺影像中常见的类别不平衡问题，还可推广至超声、MRI等其他模态。这项技术突破为计算机辅助诊断(CAD)系统装上了"精准导航仪"，让AI医生能更准确地追踪肿瘤在多视图影像中的空间位置。

^*CC: 头尾位(craniocaudal), MLO: 内外侧斜位(mediolateral oblique)
^**mIoU: 平均交并比(mean Intersection over Union)