《Breast Cancer》:A novel quantification method for automatic computation of breast density from mammography images using deep learning
编辑推荐:
目的:旨在开发和验证一种全自动深度学习流程,用于在处理后的钼靶图像上量化乳腺X线摄影致密率(Mammographic Dense Rate, MDR),并描绘大规模筛查队列中与年龄相关的MDR轨迹。材料与方法:分割人工智能(AI)基于U-Net分割网络构建。该
目的:旨在开发和验证一种全自动深度学习流程,用于在处理后的钼靶图像上量化乳腺X线摄影致密率(Mammographic Dense Rate, MDR),并描绘大规模筛查队列中与年龄相关的MDR轨迹。材料与方法:分割人工智能(AI)基于U-Net分割网络构建。该AI模型使用300张内外斜位(MLO)图像(240张用于训练,60张用于测试)进行训练,这些图像中胸肌、腺体和脂肪组织均经过人工标注。分割准确性通过DICE系数评估,以验证AI是否能提取腺体、胸肌和脂肪组织的分割区域。利用AI模型计算MDR,其定义为强度超过分割胸大肌平均强度的腺体像素所占比例。针对2019年1月至2022年4月期间横滨市癌症筛查项目中获取的134,411名40-79岁女性的240,465张处理后MLO图像,计算了每张图像的MDR。结果:分割模型实现了0.967的DICE系数。平均年龄为56.6?±?11.2岁。平均MDR为31.7?±?25.9%,中位MDR为26.9%。MDR从40岁出头到50岁末急剧下降,随后进入平台期。纵向分析揭示了两种截然不同的模式:快速下降组和持续高密度组。MDR升高可能作为癌症诊断前的影像学生物标志物。结论:所提出的与供应商无关的U-Net流程能够在钼靶图像的处理后图像上实现准确、标准化的MDR测量,消除了观察者变异性。大规模部署阐明了精细的年龄特异性密度动态变化,并支持定量MDR作为风险适应性乳腺癌筛查和个性化辅助成像方式选择的有效工具。
该论文发表于《Breast Cancer》,题为“基于深度学习从钼靶图像自动计算乳腺密度的新量化方法”。研究背景指出,致密乳腺组织是乳腺癌的独立风险因素,且会掩盖恶性肿瘤。目前临床广泛使用的美国放射学会乳腺影像报告和数据系统(BI-RADS)以及日本基于《乳腺构成判定图谱》的视觉评估法,均存在主观性强、观察者间差异大的缺陷,缺乏统一性。虽然现有自动化工具如Cumulus、Volpara等已被开发,但它们通常依赖原始未处理图像,限制了其在仅存档处理后图像场景下的应用,且成本高昂或受限于特定供应商。因此,研究人员开展了这项研究,旨在通过开发一种基于处理后图像的、供应商无关的自动化定量方法,解决现有评估手段的标准化和普适性问题。
研究人员通过构建基于U-Net架构的语义分割模型,对300张MLO图像(240张训练,60张测试)进行训练,手动标注胸大肌、腺体及脂肪组织以生成掩膜。模型输入钼靶图像后输出各组织分割掩膜。通过计算胸大肌区域的平均像素强度(Dmj),并将腺体区域(Agl)内像素强度高于Dmj的区域定义为致密组织(Ad),最终得出MDR计算公式:MDR=Ad/Agl。该技术方法被应用于横滨市医学协会提供的2019年至2022年间134,411名女性(40-79岁)的240,465张MLO图像的大规模数据集进行分析。
研究结果部分显示,该AI模型的分割精度达到了0.967的DICE系数。在大规模数据分析中,整体人群的平均年龄为56.6岁,平均MDR为31.7%,中位数为26.9%。关于年龄相关性,研究发现MDR在40岁至50岁末期间呈陡峭下降趋势,随后趋于平稳。移动平均分析表明,MDR变化率在62岁左右趋近于零,提示在58至62岁之间达到平台期。具体而言,40岁至59岁期间中位MDR从36.2%降至20.7%(年均降幅1.33%),而60岁至79岁期间仅从20.5%降至16.0%(年均降幅0.24%)。直方图分布显示,随着年龄增长,低密度人群比例增加,但在60岁时仍有近20%的女性MDR大于80%,证实了个体间轨迹的差异性。纵向个体轨迹分析进一步识别出两种主要模式:一类是围绝经期MDR快速下降,另一类是维持高密度的持久组。病例分析显示,MDR的连续监测可能反映组织学变化,且在一名67岁确诊乳腺癌的病例中,观察到MDR在诊断前出现异常升高,提示其作为肿瘤标志物的潜力。
在讨论中,研究人员回顾了从Wolfe、Tabar到BI-RADS的乳腺构成分类演变,指出视觉分级固有的观察者间变异性限制了其在人群筛查中的应用。尽管Quantra和Volpara等自动化工具已被采用,但其对原始图像的依赖和对特定供应商的绑定限制了全球推广。相比之下,本研究提出的基于U-Net的方法直接在处理后的图像上运行,具有供应商无关性和完全自动化的优势,能够消除人为偏差。通过与日本《乳腺构成判定图谱》的定义(基于胸肌像素强度的百分比估算)相对照,研究强调了自动化MDR计算对于标准化评估的重要性。
研究的局限性包括训练数据集规模相对较小、真值掩膜由单一标注者生成而非共识标准、以及模型在特定厂商设备上的训练可能导致泛化性能受限。尽管如此,该研究仍被视为一项重要的试点研究。
结论部分总结道,测量MDR有助于预测个体未来的密度轨迹,从而估算累积乳腺癌风险和随时间变化的遮蔽风险。对于高风险患者,这些数据支持实施个性化筛查策略,例如在致密期辅以超声或MRI检查以提高检出率。展望未来,需要日本乳腺癌筛查学会(Japan Breast Cancer Screening Society)和日本乳腺癌筛查质量保证中央组织(The Japan Central Organization on Quality Assurance of Breast Cancer Screening, JCOQABCS)等专业机构牵头,对基于AI的钼靶分析进行验证、质量控制和持续维护,以确保其在临床实践中的可靠性和安全性。