通过跨切片加权盒融合技术提升数字乳腺断层扫描中的质量与结构异常检测能力

《Pattern Recognition》：Enhanced Mass and Architectural Distortion Detection in Digital Breast Tomosynthesis via Cross-Slice Weighted Box Fusion

乳腺DBT图像跨切片加权融合与邻域一致性过滤的病变检测框架研究，提出DBT-WBF-Net模型，通过跨切片加权框融合提升检测灵敏度，引入邻域一致性过滤降低假阳性率，并创新切片间隔权重机制优化定位精度。实验表明该框架在BCS-DBT数据集上灵敏度达94.53%，超越现有传统后处理算法，外部验证ROC-AUC达77.13%，且在无额外训练数据条件下挑战赛排名第二。

　　

福建师范大学计算机与网络安全学院，中国福建

摘要

在乳腺癌的临床诊断中，数字乳腺断层合成（DBT）有效减少了组织重叠，降低了漏诊病变的风险。然而，解读DBT图像耗时较长，需要放射科医生具备较高的诊断专业知识。尽管最近的研究采用了人工智能来提高解读效率，但大多数方法仍然依赖于传统的检测框后处理算法，这些算法在处理多切片中的病变检测时存在不足。为了解决这些问题，我们提出了DBT-WBF-Net，这是一种新的病变检测框架，它整合了跨切片的加权框融合模型，能够有效融合不同切片中的检测框，并准确识别出病变显示最清晰的切片。为了减少现有DBT病变检测方法常见的误报现象，我们引入了邻域一致性过滤器，该过滤器可以评估检测置信度并有效移除低置信度的检测框。此外，我们还提出了切片间隔权重机制，该机制可以自适应地调整融合权重，从而进一步提高定位精度。在公共数据集BCS-DBT上的实验表明，DBT-WBF-Net的平均灵敏度达到了94.53%（95%置信区间：89.74%–97.78%），超过了现有的框后处理算法。值得注意的是，其灵敏度比最先进的乳腺癌检测方法高出约20%。我们进一步进行了外部验证研究，获得了77.13的ROC-AUC值，证明了该框架的通用性。此外，DBT-WBF-Net在没有额外训练数据的情况下，在一个病变检测挑战赛中获得了第二名。所提出的融合模型可以无缝集成到现有的DBT病变检测方法中，无需重新训练。代码可在以下链接获取：https://github.com/PeirongLiL/Enhanced-Mass-and-Architectural-Distortion-Detection-in-Digital-Breast-Tomosynthesis-via-Cross-Slice

引言

乳腺癌是女性中最常见的癌症之一，大约有13%的女性在其一生中会患上这种疾病[1]。早期发现对于防止癌症扩散和显著提高生存率至关重要[2]。筛查计划在早期诊断中起着关键作用，国际统计数据显示，系统的乳腺筛查可以提高早期发现率，从而改善临床结果[3]。数字乳腺X光摄影（数字乳腺断层合成）使用数字成像系统代替传统胶片，广泛用于乳腺癌筛查。它能够更清晰地显示乳腺组织的微结构变化，尤其适用于致密乳腺[4]。然而，数字乳腺X光摄影采用2D投影成像，导致乳腺组织重叠，从而掩盖了病变，最终影响了诊断准确性。因此，开发了数字乳腺断层合成（DBT）来解决这个问题。通过生成乳腺的断层图像，DBT能够准确定位病变区域，并最小化组织重叠的干扰效应[5]。临床研究表明，DBT在诊断准确性方面优于传统的数字乳腺X光摄影[6]。然而，解读DBT图像所需的阅读时间几乎是数字乳腺X光摄影的两倍[7]，并且需要放射科医生具备更高的专业技能[8]。

许多研究探索了利用人工智能（AI）来辅助DBT的诊断。研究表明，AI辅助的DBT筛查可以将召回率降低2-27%，并大幅提高阅读效率，平均解读时间缩短20%，在某些情况下甚至可缩短53%[9]。尽管取得了这些有希望的结果，但许多基于AI的病变检测方法仍然依赖于逐片2D检测，其中跨切片信息通常通过传统的后处理算法（如非最大值抑制（NMS）进行整合[10]。这些算法最初是为单张2D图像设计的，在应用于DBT时存在三个限制。首先，由于DBT扫描中的切片数量众多，当前的病变检测网络往往会产生大量误报，而现有算法在过滤这些误报方面效果不佳[11]。其次，不同切片中病变大小和形态的变化没有得到充分考虑，限制了检测复杂3D结构的准确性。第三，在临床实践中，放射科医生需要查看DBT扫描中的多张切片以识别病变并选择最能清晰显示每个病变的切片。这个切片选择过程对准确诊断至关重要；然而，大多数现有的基于2D的方法缺乏明确进行切片选择的能力。

为了解决上述挑战，我们引入了一种跨切片加权边界框融合模型（DBT-WBF），它扩展了现有边界框后处理算法的功能，使其在DBT图像中的病变检测中更加高效。我们进一步开发了一个完整的病变检测框架DBT-WBF-Net，将预处理、切片级病变检测和跨切片融合整合到一个统一的流程中，如图1所示。实验结果表明，所提出的方法优于最先进的乳腺癌检测研究。此外，在一个公开的DBT病变检测挑战赛中，DBT-WBF-Net在没有额外训练数据的情况下获得了第二名。值得注意的是，所提出的融合模型可以轻松集成到现有的DBT病变检测方法中，无需重新训练。代码可在以下链接获取：https://github.com/PeirongLiL/Enhanced-Mass-and-Architectural-Distortion-Detection-in-Digital-Breast-Tomosynthesis-via-Cross-Slice

相关工作

早期关于DBT病变检测的研究主要依赖于手工制作的图像特征[12]、[13]、[14]，这些方法严重依赖于手动特征工程，限制了它们的鲁棒性和泛化能力。随着深度学习在医学图像分析领域的快速发展，研究人员开始将这些技术应用于DBT图像[15]、[16]。深度学习的采用大大提高了DBT模型的表示能力，但仍存在一些固有的挑战

DBT病变检测框架

本研究提出了一个名为DBT-WBF-Net的DBT病变检测框架，用于识别DBT图像中的肿块和结构异常（AD）。给定一个DBT体积$V\in R^{S\times H\times W}$，DBT-WBF-Net生成了一组预测的边界框${\left\{b_i\right\}}_{i=1}^N$，其中每个框表示为$b_i=(x_{\min },y_{\min },x_{\max },y_{\max },s)$。前四个组件（x_min、y_min、x_max、y_max）指定了病变在切片内的坐标，而第五个组件$s\in \{1,?,S\}$表示显示最清晰的切片的索引

实验结果与讨论

本节介绍了优化DBT-WBF模型各组件的消融研究，旨在确定最有效的配置并实现最佳检测性能。为了突出所提出方法的创新性，将DBT-WBF模型与现有的检测框后处理算法进行了比较。此外，为了确保全面的性能评估，还将DBT-WBF-Net与最先进的病变检测方法进行了基准测试。

局限性

本研究存在几个局限性。首先，当前版本的DBT-WBF-Net仅识别出包含最清晰可见病变的切片，而没有充分考虑跨越多个切片的病变的空间范围。未来的研究将致力于开发能够捕捉病变完整3D结构的方法，以提供更全面和具有临床意义的决策支持。

其次，尽管进行了模拟实验来研究

结论

尽管计算机辅助的DBT检测技术取得了显著进展，但现有方法仍面临几个持续的挑战：（1）高误报率；（2）对病变特征跨切片变化的建模能力有限；（3）难以自动识别最能代表每个病变的最佳切片。为了解决这些挑战，我们提出了DBT-WBF-Net，这是一个专门为DBT设计的新型乳腺癌检测框架

CRediT作者贡献声明

Peng Shi：撰写 – 审稿与编辑，撰写 – 原稿。 Peirong Li：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，资源管理，方法论，调查，形式分析，数据整理，概念化。 Fang Chen：撰写 – 审稿与编辑，验证。 Qinying Guo：可视化，验证。 Xinting Wu：撰写 – 审稿与编辑，形式分析，数据整理。 Jing Zhong：撰写 – 审稿与编辑，监督，资源管理。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本文得到了中国福建省自然科学基金（项目编号2022J01189、2023J011252）的支持。