基于无标注动态对比增强MRI的乳腺肿瘤智能分割新方法ACM研究

针对乳腺DCE-MRI分割依赖人工标注且传统算法精度不足的问题，广东省人民医院团队提出无标注分割框架ACM（Algorithmic segmentation, Constraint filtering, Model training），通过算法生成伪标签结合半监督学习，在1209例多中心数据中实现83.06% Dice系数，超越现有无监督方法23.4%，为临床提供高效精准的AI辅助诊断方案。

　　

乳腺癌作为全球女性癌症相关死亡的首要原因，其早期精准诊断至关重要。动态对比增强磁共振成像（DCE-MRI）凭借高分辨率和组织对比度优势，成为乳腺肿瘤诊断的核心工具。然而，现有分析方法面临两难困境：依赖放射科医生耗时的手动标注（单例标注超4分钟），或采用精度有限的传统算法（如阈值法、区域生长法）。更严峻的是，当前无监督方法多基于小样本验证（<50例3D数据），且难以应对乳腺解剖结构的高变异性。这一矛盾严重阻碍了AI技术在临床中的规模化应用。

广东省人民医院团队在《Biomedical Signal Processing and Control》发表的研究，开创性地提出ACM无标注分割框架。该方法融合传统算法与深度学习优势，通过三阶段流程——算法生成伪标签（Algorithmic segmentation）、约束过滤（Constraint filtering）和半监督模型训练（Model training），在完全避免人工标注的前提下，实现接近监督学习的性能。研究团队从I-SPY 2、DUKE等公共数据集及合作医院收集2920例DCE-MRI数据，构建迄今最大规模的多中心验证队列。

关键技术方法
研究采用双阶段分割策略：（1）基于区域生长、配准等传统算法获取乳腺区域伪标签，通过胸腔解剖约束筛选可靠样本；（2）在肿瘤分割阶段引入多类别策略（表皮、乳头、腺体、肿瘤）和特异性数据增强（如肿瘤强度调整），结合半监督学习（Mean Teacher框架）利用低质量伪标签。外部验证采用山西肿瘤医院528例独立数据。

研究结果

Breast tumour segmentation
传统算法与深度学习的协同效应显著：在乳腺区域分割中，约束过滤剔除32.7%不符合解剖特征的伪标签；肿瘤阶段通过边缘灰度差、高值区大小等约束保留68.5%高置信样本。

Methods
ACM框架在内部测试集（681例）达到83.06% DSC（Dice similarity coefficient），外部测试集IoU（Intersection over Union）达74.45%，较最佳无监督方法提升23.4%。特别值得注意的是，其性能逼近使用418例全标注数据的监督模型（DSC差距<2%）。

Discussion
研究突破性地证明：通过严格约束过滤的伪标签质量接近人工标注，而多类别竞争策略有效缓解过拟合（测试集类别间方差降低19.8%）。数据增强策略使模型对强度异质性肿瘤的检出率提升15.3%。

Conclusion
该研究首次实现无标注条件下的乳腺DCE-MRI多组织精准分割，其创新性体现在：（1）算法-模型混合框架的协同设计；（2）面向临床需求的解剖约束体系；（3）可扩展至其他器官的通用方法论。未来可通过Transformer架构进一步优化特征提取。

重要意义
ACM框架将放射科医生从繁重标注工作中解放，同时解决传统算法泛化性差的问题。其开源实现（GitHub公开）为医学影像分析提供新范式，对推动AI在乳腺癌早筛、个性化治疗规划中的应用具有重要临床价值。研究获得广东省重点研发计划（2021B0101420006）和国家自然科学基金（82472051）支持。