基于显著性引导二维合成的深度学习DBT分类方法：提升乳腺癌诊断效率与可解释性

这篇研究提出了一种创新的深度学习框架，通过结合三维数字乳腺断层摄影（DBT）的注意力机制与显著性映射技术，实现了乳腺病变的恶性/非恶性分类，并生成诊断导向的二维合成图像。该方法利用内部注意力机制构建三维显著性空间，提取关键诊断特征并投影为紧凑的二维图像，使传统2D卷积神经网络（CNN）在保持分类性能（AUC达0.89）的同时显著降低计算复杂度。研究在OPTIMAM和BCS-DBT数据集上验证了模型的跨中心泛化能力，为临床提供了一种兼顾效率与可解释性的辅助工具。

　　

Highlight

我们提出了一种同时执行分类并从3D DBT体积合成诊断性2D表征的框架，旨在保留与恶性肿瘤检测相关的空间局部特征。该方法通过结合自注意力（self-attention）和软注意力（soft attention）模块的双重注意力机制，整合切片内和切片间的信息。该机制既支持分类任务，又构建了三维显著性空间以指导2D图像的生成。

Method

框架包含三个核心组件：(1) 特征编码器：采用混合3D-2D ResNet架构处理DBT体积；(2) 双注意力模块：通过空间注意力图捕获病灶区域，通过切片注意力权重量化不同深度的诊断贡献；(3) 显著性投影层：将3D特征体积与注意力权重融合，生成高亮可疑区域的2D合成图像。

Experiments

在OMI-DB数据集（1,028例）上训练，BCS-DBT数据集（外部验证集）测试。基线对比包括纯3D CNN和传统合成乳腺摄影（SM）方法。结果显示：1) 本框架的3D分类AUC达0.91（±0.02）；2) 仅用合成2D图像训练的2D CNN AUC为0.89，媲美3D模型但推理速度快3.7倍；3) 放射科医师评估表明合成图像显著提升微小钙化簇和结构扭曲的视觉显著性（p<0.01）。

Results and Discussion

关键发现：1) 注意力权重分布显示中间切片（占总深度30-70%）对恶性病变判别贡献最大；2) 合成图像在密集乳腺（BI-RADS C/D类）中保持更高诊断一致性（Kappa=0.78 vs 传统SM的0.61）；3) 模型对设备厂商差异（Hologic vs GE）表现出稳健性。局限性包括对小肿瘤（<5mm）的敏感性波动（±8%）。

Conclusion

该框架通过显著性引导的维度压缩策略，解决了DBT分析中的计算效率与临床可解释性矛盾。未来工作将探索多视图合成与动态注意力机制的结合。