基于两阶段深度学习模型的乳腺X线影像结构扭曲(AD)检测与分类研究

为解决乳腺X线影像中结构扭曲(Architectural Distortion, AD)检测困难的问题，研究人员开发了融合U-Net++、Mask R-CNN和ResNet-18的两阶段深度学习模型。该模型通过平滑L1损失函数和Dice损失优化，实现0.852分割准确率、0.915分类准确率及92.4%灵敏度，为乳腺癌早期筛查提供高效AI解决方案。

　　

乳腺癌仍是全球女性健康的首要威胁，其早期筛查的关键在于捕捉乳腺组织中的细微结构扭曲(Architectural Distortion, AD)——这种最早期的癌变征兆可比其他症状提前2年出现。传统检测方法面临巨大挑战，而这项研究构建了革命性的两阶段深度学习框架：第一阶段采用U-Net++进行像素级语义分割，第二阶段创新性地组合Mask R-CNN（配备平滑L1边界框回归损失和Dice增强的二元交叉熵掩膜预测）与ResNet-18分类器。这种"分割-分类"协同策略将假阳性率降低42.6%，最终交出惊艳答卷：分割精度0.852、分类准确率0.915、平均精度(mAP)0.894，灵敏度更突破92.4%大关。该成果不仅为放射科医生减负，更打开了乳腺癌超早期干预的时间窗。