基于深度学习的乳腺X线摄影语义分割模型比较分析：针对BIRADS分级肿块的优化策略

本研究针对乳腺X线摄影中难以界定的肿块（特别是BIRAD3-5类）分割难题，系统比较了VGG16/VGG19、U-Net、ResNet50等10种语义分割模型在DDSM数据集上的表现。研究发现采用扩张卷积的DAG模型（如ResNet50）在JI（0.87）和F1分数（0.92）上表现最优，能有效处理高密度背景和微钙化共存的复杂病例，为临床乳腺肿瘤精准分割提供了可靠解决方案。

　　

乳腺X线摄影是早期发现乳腺癌的重要筛查手段，但放射科医生在解读图像时常常面临一个关键挑战：如何准确区分隐藏在致密乳腺组织中的肿块边界？这些肿块的形态特征（包括大小、边缘和形状）对判断其良恶性至关重要。传统机器学习方法如模糊C均值聚类(FCM)和主动轮廓模型需要人工标记种子点，在复杂背景下表现欠佳。而现有深度学习模型又面临像素信息丢失、全局上下文利用不足等问题，这使得开发适用于不同BIRADS分级（乳腺影像报告和数据系统）的自动分割算法成为临床迫切需求。

针对这一难题，来自印度Max超级专科医院的研究团队在《Computers in Biology and Medicine》发表研究，系统评估了10种语义分割模型在518例DDSM（数字乳腺X线摄影数据库）图像上的表现，包含BIRAD3（可能良性）、BIRAD4（可疑恶性）和BIRAD5（高度恶性）三类病例。研究采用DeepLab v3+框架，通过五组实验对比了简单卷积序列模型（VGG16/19）、简单卷积有向无环图(DAG)模型（U-Net）、扩张卷积DAG模型（ResNet18/50等）和混合模型（Hybrid U-Net）的性能差异。

关键技术方法包括：使用DDSM数据集中的518张图像（BIRAD3 208例、BIRAD4 150例、BIRAD5 160例）；基于DeepLab v3+框架构建分割模块；采用Jaccard指数(JI)和F1分数进行客观评估；由专业放射科医生对最佳模型输出进行主观评估（大小、边缘、形状特征）。

研究结果：

1. 模型性能比较：扩张卷积DAG模型中，ResNet50表现最优（JI=0.87，F1=0.92），其次为ShuffleNet（JI=0.85）和MobileNetV2（JI=0.84），显著优于传统U-Net和VGG系列。
2. 主观评估分析：ResNet50在分割致密背景下肿块和伴随微钙化的复合病变时，能更好保留形态学特征，符合放射科诊断需求。
3. 类别特异性表现：所有模型在BIRAD5类（高度恶性）分割精度最高，反映恶性肿块通常具有更清晰的边界特征。

讨论与结论：
该研究首次系统比较了不同类型语义分割架构在乳腺X线摄影中的应用效果。ResNet50的成功归因于其残差连接结构和扩张卷积的有效组合，既能捕捉局部细节又能整合全局上下文。值得注意的是，模型在BIRAD4类（可疑恶性）的表现波动最大，提示此类病变存在最大的形态学异质性。研究也存在一定局限，如未测试INbreast等全数字化乳腺摄影数据集，未来需开发更自适应数据增强方法。临床意义在于为放射科提供了可靠的自动分割工具，特别有助于提升致密型乳腺和小肿瘤的诊断准确性，对实现乳腺癌早诊早治具有重要价值。