利用像素单调动态范围控制技术在DICOM乳腺成像处理中实现可复制的系统创新 Gulzira Abdikerimova, Moldir Yessenova, Ainur Shekerbek, Ainur Orynbayeva, Balkiya Zhylanbaeva, Gulbarshin Rakhimbayeva, Aisulu Ismailova, Kuanysh Kadirkulov 和 Zhanat Manbetova

《Technologies》：Reproducible System Innovation in DICOM Mammography Processing with Pixel-Monotonic Dynamic Range Control Gulzira Abdikerimova, Moldir Yessenova, Ainur Shekerbek, Ainur Orynbayeva, Balkiya Zhylanbaeva, Gulbarshin Rakhimbayeva, Aisulu Ismailova, Kuanysh Kadirkulov and Zhanat Manbetova

　　摘要：本文提出了一种可复制的系统创新方法，用于处理医学数字成像与通信（DICOM）乳腺X光图像，该方法基于像素单调动态范围管理和工程可验证的强度转换技术。标准的DICOM转换方案在将图像转换为8位表示时，往往会带来不可逆的亮度范围压缩、局部依赖的对比度失真以及深度学习模型鲁棒性的降低。所提出的框架保持了模态查找表（LUT）和光度极性的物理一致性，执行了针对乳腺的鲁棒Winsor归一化，并在保持训练数据16位深度的同时应用了严格单调的全局色调映射。系统验证使用了与架构无关的指标进行。与标准处理方法相比，归一化互信息的均值从0.878提高到了0.892，有效位数从7.88增加到了10.11（增加了2.25位），表示熵增加了1.42位，且裁剪率几乎降至零。使用Faster R-CNN检测器进行的实验表明，在受控增强条件下，钙化的定位准确性（Intersection over Union, IoU）≥0.5。结果证实，像素单调动态范围控制为基于AI的乳腺X光分析提供了一个可复制且工程上可验证的基础。

1. 引言
数字乳腺X光检查仍然是早期乳腺癌检测的最重要方法之一，人工智能系统的实施正在积极改变筛查和诊断流程[1,2]。现代深度学习算法展示了高诊断效率和临床整合的潜力[3,4]。近年来，多视图和Transformer架构以及乳腺X光分析对象检测器的开发受到了特别关注[5,6]。尽管在架构解决方案上取得了显著进展，但这些系统的稳定性和便携性直接依赖于输入图像的适当生成。大多数全格式乳腺X光图像都采用医学数字成像与通信（DICOM）标准存储，该标准包含了定义像素物理解释的高比特强度信息和元数据。然而，实际的人工智能（AI）流程通常采用简化的8位表示转换，而不对查找表（LUT）参数和动态范围进行严格控制[7,8]。研究表明，无监督的归一化和量化会显著影响特征统计和结果的可重复性[9,10]。放射组学和医学机器学习的研究证实，预处理的变异性会在不同数据集之间引入隐藏的域偏移[11,12]。局部对比度增强方法，包括对比度限制自适应直方图均衡化（CLAHE）及其改进版本[13,14]，被广泛用于提高小结构的可见性。尽管这些方法对视觉感知有效，但过度的局部均衡化可能会放大噪声并形成伪纹理模式[15,16]。在乳腺X光检查中，这尤为重要，因为微钙化是小的、低对比度的对象，对未经控制的强度变化非常敏感[17,18]。同时，检测和分类架构也在不断发展，包括Faster R-CNN、类似YOLO的解决方案以及混合方法[19,20]。然而，大多数文献侧重于改进神经网络模型，而DICOM流程的系统组织和强度转换的工程控制仍不够规范化[21,22]。一些研究强调需要正确的LUT处理和物理一致的强度控制，以确保AI系统的泛化能力[23]。因此，在DICOM解释的临床标准与用于人工智能处理的乳腺X光数据准备方法之间仍存在方法论上的差距。尽管之前已经描述了许多预处理操作，但一个能够保留强度等级顺序、提供可控动态范围管理并定量验证信息保留的可复制系统架构仍然缺失[24]。为了解决这个问题，本研究提出并验证了一个针对DICOM乳腺X光图像的像素单调预处理框架。与主要关注模型设计和分类性能创新的现有研究不同[25]，本研究将预处理视为系统创新的独立目标。所提出的框架在一个可复制的架构中整合了模态一致的校正、光度极性对齐、鲁棒的乳腺感知归一化和全局单调色调映射，同时保持了图像的16位分析表示。其新颖性在于将像素单调性正式化为乳腺X光图像预处理的核心架构原则，从而保证了图像质量的提升，而不会出现局部强度反转、显示依赖的失真或过早的信息丢失。此外，所提出的框架将分析训练表示与8位输出图像分离，并使用明确的单调性控制和与架构无关的结构指标来验证预处理质量。因此，本研究将预处理提升为一个精心设计的系统组件，用于增强乳腺X光中的AI鲁棒性。

本文的其余部分安排如下：第2节描述了数据集、基于单调像素分析的预处理框架以及处理流程的实现细节。第3节展示了预处理验证和后续检测实验的结果。第4节讨论了主要结果、研究的实际意义及其局限性。最后，第5节总结了工作并指出了未来研究的方向。

2. 材料与方法
在临床实践中，乳腺X光检查使用符合DICOM标准的图像进行解读，每个强度转换步骤决定了哪些低对比度结构将可见以及它们的表示方式。在将这些数据传输到深度学习任务时，通常会使用简化的转换和对比度增强方法，优先考虑“美观的图像”而忽略保持正确的强度关系。这就产生了一个方法论问题：模型开始依赖于依赖于局部上下文和显示设置的转换，从而降低了实验的可重复性和检测的鲁棒性，特别是在切换数据源或增强模式时。因此，本研究最初的构建基于一个可验证的工程原则：预处理应增强图像的信息内容，而不创造新的局部结构或破坏强度顺序，以便任何检测质量的改进都归因于图像内容而非转换伪影。基于这一原则，本研究的目标是开发并验证一种在其属性上受到严格控制、确保动态范围扩展和可视化一致性的转换，并在各种训练模式下提供可测量的数据质量客观诊断指标和检测器稳定性的提升。

2.1. 数据集描述
VinDr Mammo数据集（版本1.0.0）是一个大规模的开放资源，用于全视野数字乳腺X光检查，托管在PhysioNet上（https://www.physionet.org/content/vindr-mammo/1.0.0/），访问于2026年2月2日，旨在开发和比较用于计算机辅助诊断和病理检测的算法。数据按检查级别组织，包含5000次乳腺X光检查，每次检查包含4个标准投影，共计20,000张图像。图像以DICOM格式提供，并在图像目录中结构化，每个检查创建一个单独的文件夹，其中包含对应每个乳房两个标准投影的四个DICOM文件。文件路径构造如下：images/examination ID/image ID.dicom。该数据集包括三个主要的表格标记文件。第一个文件是乳房级别注释，包含每张图像的行，并描述了乳房级别的评估和基本图像元数据。这些注释包括研究和系列标识符、左侧或右侧乳房的方位、CC或MLO投影类型、图像的高度和宽度尺寸、乳房级别的BI RADS评估、乳房组织密度类别以及官方的“训练”或“测试”分割标志。第二个文件是发现注释，包含病变的逐行注释，每行对应于特定图像中的一个标记区域。对于每个这样的区域，指定了图像ID、研究ID、系列ID、方位、投影、图像尺寸、乳房BI RADS、乳房密度和分割标志，以及注释参数本身，包括发现类别、BI RADS评估和边界框的坐标（xmin, ymin, xmax, ymax）。第三个元数据文件包含可能对研究有用的DICOM标签信息，包括患者的年龄以及设备制造商和型号。VinDr Mammo注释的一个重要特点是，只有需要进一步调查的发现（即BI-RADS评分3、4或5的发现）才会提供边界框。良性发现（BI RADS 2）不带有边界框。发现类别包括肿块、钙化、不对称性、结构扭曲以及相关特征，如可疑淋巴结、皮肤增厚和乳头收缩。因此，该数据集同时支持通过乳房BI RADS进行的乳房级别CADx任务和通过坐标注释进行的乳房密度CAD任务。

本研究使用了部分可用数据集作为两个预处理流程的源DICOM图像，进行了完整的、可复制的比较。共选出了1622张DICOM图像，并且所有标准和提出的比较实验都是在相同的图像ID列表上进行的，以避免由于不同子样本造成的偏差。这个集合在图像级别被分为训练集和测试集，其中训练集有1293张图像，测试集有329张图像。对于检测任务，选择了钙化作为目标发现类型，因为钙化是一个临床上重要的特征，通常表现为对不正确对比度转换和量化敏感的小型、低对比度结构。使用发现注释中的矩形来训练检测器，其中发现类别包括钙化，并且发现评估属于需要进一步检查的类别，对应于BI-RADS 3、4或5。这种选择允许专注于临床重要的钙化，并符合数据集标签的原则，即明显良性的区域不进行标记。因此，我们的数据配置包括来自图像目录的源DICOM图像、用于元数据控制的乳房级别注释表、分割分配以及关于BI-RADS和密度的上下文信息，以及用于生成目标检测矩形的注释表。这种组合确保了问题的可重复性，并能够严格评估DICOM预处理对钙化检测质量的影响，而不受不同注释、格式或图像集的混淆效应影响。

2.2. 检测问题和输入表示的正式定义
在本研究中，使用DICOM格式的乳腺X光图像及其相应的发现坐标注释来表述检测临床重要钙化的问题。由边界矩形勾勒出的钙化类型区域被视为目标对象，因为这种类型的发现具有小尺寸和低局部对比度，因此对亮度转换和量化误差最为敏感。设原始图像为一个二维强度矩阵（1）：
(1) — 图像的高度和宽度，
(2) — 位置处的像素值，
(3) — 经过模态转换（转换为物理一致的值）后的图像，
(4) — 经过范围转换和色调映射后的图像，
(5) — 乳房区域的二进制掩码，
(6) — 掩码内的像素值集合。

1. 基本流程（标准流程）。图1展示了将乳腺X光DICOM数据转换为标准化8位表示的基本流程图。该架构反映了一个一致且可复制的处理流程，从读取原始像素数据和元数据开始，最终形成适合后续分析任务的统一PNG图像。图表展示了处理的关键功能模块：模态-强度转换、基于视觉的窗口化、光度解释的考虑、有效乳房区域的掩码形成以及随后的归一化和量化。特别关注光度解释参数（MONOCHROME1/MONOCHROME2）的正确处理，因为匹配亮度极性是来自不同来源的图像可比性的前提条件。专门有一个阶段用于从归一化统计中排除背景和填充区域，从而防止动态范围的失真并提高强度缩放的准确性。最终的8位输出被量化为256个离散的强度级别，由0到255的整数值表示。

从科学角度来看，这个流程图反映了一个基本的、可复制的预处理协议，保证了：(1) 图像极性的匹配，(2) 消除背景对归一化的影响，(3) 将不同的DICOM来源转换为统一的表示格式。同时，该流程图还展示了标准方法的一个关键特征：依赖于基于视觉的窗口化和随后的8位量化，这提高了兼容性，但可能导致动态范围的压缩和精细低对比度结构的部分丢失。接下来，我们将依次考虑这个协议的主要阶段，从由DICOM参数确定的基本强度转换开始。如果在线性变换通过DICOM的“Rescale Slope”（重缩放斜率）和“Rescale Intercept”（重缩放截距）参数指定的情况下，那么会对每个像素执行以下步骤（2）：
(2)
——重缩放斜率
——重缩放截距
——模态变换后的像素

如果使用了模态LUT（模态查找表），则应用以下步骤（3）：
(3)
步骤S2：VOI LUT/窗口化（用于显示）

为了获得适合渲染的值，会应用一个窗口化变换（亮度窗口）：
(4)
——窗口的下边界
——窗户的上边界

步骤S3：光度极性校正
如果图像是以反极性指定的，则执行反转操作（5）：
(5)
否则，保持原极性。

步骤S4：全局最小-最大值归一化（6）：
(6)
其中，使用了一个小数以避免除以零的情况。

步骤S5：将归一化后的图像量化为256个离散的强度级别，这些级别用[0, 255]范围内的整数值表示（7）：
(7)
——四舍五入到最接近的整数。

2. 提出的像素单调性处理流程
该方法的目的是在使用16位表示的情况下增加信息量，同时不引入局部依赖的伪纹理，并确保亮度的严格单调显示。该流程的输入包括DICOM数据和元数据（像素矩阵pixel_array、光度解释、模态LUT/重缩放参数以及辅助DICOM字段）（图2）。
在步骤1中，加载DICOM数据并读取原始的像素数组；在步骤2中，通过模态LUT或RescaleSlope/Intercept进行模态强度变换，以确保强度表示在物理/技术上的一致性。接下来，在步骤3中，验证光度解释：对于MONOCHROME1（步骤4a），应用强度反转以校正极性；对于MONOCHROME2（步骤4b），则直接传输图像而不进行反转。极性对齐后，关键步骤是生成乳腺区域的有效解剖掩膜（步骤5），以排除背景和填充部分，从而不影响后续计算。在步骤6中，仅在有效的解剖区域内计算稳健的强度统计值，减少异常值和非信息性像素对变换参数的影响。该方案的核心是步骤7（提出的核心部分），它涉及一个保持顺序的单调强度变换。这种方法对科学分析至关重要，因为它允许改变对比度级别而不破坏强度的相对等级，从而保持纹理和局部模式的结构一致性。在步骤8中，实现裁剪控制和范围稳定，以最小化低亮度和高亮度级别的损失（减少饱和度/范围裁剪）。

图2. 提出的乳腺DICOM图像预处理流程的流程图

与标准的8位流程不同，步骤9生成主要的高位数输出（uint16），保留了扩展的色调分辨率，适用于后续分析/机器学习。然后，步骤10构建了一个派生的8位表示（u8视图），作为从高位数结果获得的可视化兼容版本，步骤11将输出数据与变换参数一起存储。因此，流程输出包括三个部分：
（1）主要的high-bit预处理图像；
（2）派生的8位表示；
（3）变换参数/辅助元数据。

从科学角度来看，这种架构确保了变换的可重复性、对动态范围的控制，以及数据更适合检测和定量分析，因为它将可视化和分析处理的任务分开，而不会将整个过程简化为早期的8位量化。接下来，我们考虑所提出的扩展协议的具体步骤，首先是保持强度物理意义的基本模态校正（步骤P1）。

步骤P1：校正模态（如S1所述）（8）：
(8)
此步骤在意义上相当于基线，并保持值的物理一致性。

步骤P2：极性调整
为了确保光亮结构对应于较高的值（这是训练中的常见约定），执行以下操作（9）：
(9)
同样，在固定范围内工作时也可以使用类似的变换形式；关键要求是明确性和可重复性。

步骤P3：乳腺感知掩膜
生成一个二进制掩膜B，将乳腺区域与背景分开。该掩膜通过阈值分割和形态学操作构建，然后选择最大的连通分量。所有归一化统计值仅针对掩膜内的像素进行计算。

步骤P4：稳健的异常值限制（Winsor归一化）
定义掩膜内分布的上下稳健阈值（10）：
(10)
——分位数水平；
——下百分位数（例如，0.5%或1%）；
——上百分位数（例如，99%或99.5%）。然后执行Winsor剪枝（11）：
(11)
这样做的目的是避免极端的稀有值“压缩”其余图像的动态范围。

步骤P5：使用稳健阈值将图像归一化到[0, 1]范围（12）：
(12)

步骤P6：全局单调色调映射
引入一个函数f，该函数仅由像素值决定，不依赖于局部窗口或相邻图像元素。它也是严格单调的，即对于任意两个强度值i1和i2，如果f(i1) ≤ f(i2)，则满足条件f(i1) ≤ f(i2)，这保证了强度等级的保持以及变换后不会出现亮度反转。使用幂变换（伽马变换）（13）作为一个简单且易于解释的形式：
(13)
——一个参数用于控制暗部/亮部的增强；当γ > 1时，增强暗部区域（对低对比度细节很重要）；当γ < 1时，抑制暗部区域。如果需要对“尾部”（非常小的值）进行柔和增强，则使用两个单调函数的组合（14）：
(14)
——混合比例；
——逻辑函数（单调的）；
——锐度；
——过渡点。由于单调函数的对和组合在非负权重下仍然是单调的，因此这种映射保持了强度的顺序。

步骤P7：导出为16位以供训练使用（15）：
(15)
可以单独生成一个8位版本仅用于查看（16）：
(16)

步骤P8：单调性控制（工程验证）
检查变换过程中是否出现顺序反转。实际标准是：对于一组像素对(i1, i2)，检查条件f(i1) ≤ f(i2)（17）：
(17)
违规次数必须为零（或严格控制），这保证了不会因局部依赖的变换而产生“伪纹理”。

提出的流程与典型的8位转换和局部对比度增强相比具有几个系统性优势，使其更适合当前研究设置中乳腺图像的机器学习分析。首先，它确保了像素级的单调性，因为亮度映射仅依赖于单个像素的值，不使用局部窗口或相邻区域，从而保持了强度的相对顺序，并消除了可能导致训练伪影的人工局部结构。其次，使用掩膜和Winsor阈值在乳腺区域内应用稳健归一化，相对于背景和罕见异常值稳定了动态范围，确保输入数据的更稳定分布和低对比度细节的正确提取。第三，通过使用16位表示实现了信息保留，减少了量化损失，增加了有效的数据位深度，这对于小物体和低对比度物体（如钙化点）尤为重要，促进了在评估的增强协议下的更稳定训练行为。

3. 结果
提出了一个全面的实验验证，将提出的像素单调性预处理流程与标准DICOM转换方案进行了比较。分析在三个互补的层面上进行：图像形成阶段和最终表示的视觉-结构对比；不使用训练的定量结构-度量评估，包括全局和局部（ROI）的信息内容和一致性指标；以及通过固定实验协议对钙化检测器的下游验证。这种多层次的方法使我们能够一致地证明，观察到的差异是由于动态范围的受控重分布和信号信息内容的变化，而不是由于局部依赖的变换或训练过程的不稳定性造成的伪影。研究使用了1622张DICOM图像的子集，以便对两种预处理选项进行可复制的比较。这个子集被分为1293张用于训练的图像和329张用于测试的图像。所有标准实验和提出的实验都严格基于相同的图像ID列表进行。在当前的实验协议中，没有分配单独的独立验证集。优化是使用预定义的调度器配置的，并根据训练损失动态监控模型行为。在手稿中明确指出这一协议特性是一个限制，在解释结果时必须予以考虑。

3.1. 标准流程和提出流程的视觉和结构比较
标准流程和提出流程的视觉和结构比较使我们能够评估动态范围重分配的本质及其对解剖信息区域表示的影响。比较在图像形成的连续阶段和最终表示中进行，使我们能够识别组织对比度组织、低对比度细节的表达以及在从标准方案过渡到单调控制变换时的空间几何形状的保持方面的差异。图3展示了将乳腺MRI的DICOM格式图像转换为8位图像的标准转换的最终视觉结果，用于典型分析任务和深度学习流程，并以R-MLO投影为例说明了形成最终表示的关键中间阶段。处理流程从S0开始，即最初的pixel_array，其中包含未经映射规则处理的原始数值，作为进一步变换的起点。步骤S1应用模态LUT或线性重缩放，将强度转换为由成像参数定义的一致物理尺度。步骤S2对应于VOI LUT（窗口化），将动态范围重新分配到乳腺组织成像中感兴趣的区域。步骤S3执行光度极性校正，确保统一的亮度方向并防止解剖结构的反转。接下来，S4生成一个有效的区域掩膜，排除背景和填充部分，确保统计操作仅依赖于真实的图像数据。步骤S5将图像归一化到[0, 1]范围，这在量化之前创建了一个统一的尺度，但可能对极端值敏感。最后，S6以uint8 PNG格式显示最终表示，通过将动态范围压缩到256个级别来确保兼容性和存储的紧凑性，突出了标准方法在数据统一性和可能丢失的微妙低对比度细节之间的基本权衡。

图3. 标准流程转换乳腺DICOM图像的阶段。

图4展示了提出的乳腺MRI预处理流程，用于R-MLO投影，并展示了如何从源DICOM图像生成具有控制动态范围扩展的训练就绪表示，同时保持单调的强度顺序。流程从P0开始，直接从DICOM文件读取原始像素矩阵。在步骤P1中，使用模态查找表（MLU）或线性缩放将像素值转换为一致的强度尺度。在步骤P2中，感兴趣区域LUT（VOI LUT）或窗口化操作定义了临床感兴趣的基线范围，随后在步骤P3中进行光度极性校正，以确保均匀的强度方向。步骤P4为有效区域提供预渲染的最小和最大值，仅用于控制目的，不用于训练。步骤P5生成一个二进制乳腺掩膜，以排除背景和非乳腺区域，从统计计算中排除它们。在步骤P6中，应用Winsor稳定化来减少极端强度值的影响。在步骤P7中，全局单调色调映射步骤（伽马、尾部和拉伸）增强了低对比度结构，同时保持强度顺序。P8验证了强度反转的缺失（inv = 0），确认保持了单调性。最后，P9创建了一个保留信息内容的16位训练表示。

图4. 提出流程（PROPOSED）生成最终表示的阶段。

图5展示了相同乳腺图像在标准预处理和提出预处理后的输出图像的最终比较，以及它们之间差异的空间分布可视化。图3显示了标准流程的最终结果（uint8），这是一个在窗口化、极性校正、全局归一化和量化到256级别后生成的8位图像，在该图像中乳腺组织在一个有限的亮度范围内显示，且实质内的细微层次部分被压缩。图4展示了所提出的最终视图（u8），这是所提方法结果的8位视觉预览，该预览是基于信息更丰富的16位表示生成的；在这种情况下，通过全局的、统计上稳定的、单调的变换来提高低对比度结构的可区分性，而不需要对解剖结构的几何形状进行局部依赖的对比度重新排列或扭曲。图5显示了绝对差异图abs（PROPOSED ? STANDARD），它允许对差异区域进行定量解释：在均匀背景下，变化几乎不存在。这些变化主要集中在解剖学信息丰富的区域，特别是在亮度阶跃明显和结构复杂度高的区域，其中动态范围的重新分配和有效位深度的增加最显著地影响了低对比度细节的表示。差异的性质证实，所提出的方法旨在提高有用区域内的信息内容，而不引入局部依赖的伪影或改变图像背景。

图5. 标准方法（STANDARD）与所提出方法（PROPOSED）的最终输出结果比较以及绝对差异图。

3.2. 无监督的结构度量验证和ROI分析
对处理后的乳腺X光图像进行结构验证是使用无监督分析方法完成的。这允许定量确认变换的准确性，并评估其对信息内容和强度分布的影响。这是通过对同一组源DICOM图像的标准预处理和所提出预处理的结果进行成对比较来实现的，评估基于两种互补的方法。第一种方法包括与源DICOM的一致性全球度量和动态范围利用率度量，这些度量核实了整体结构信息的保留以及强度变换过程中不希望出现的退化。第二种方法关注于临床显著区域的局部分析。它在对疑似钙化的标记ROI上进行，以评估预处理如何影响低对比度细节的可见性，特别是在目标对象内部。此外，还考虑了整个图像集的度量分布和成对的图形比较，以便识别方法之间的系统性偏差、评估变换的稳定性，以及识别与位深度和存储参数变化相关的权衡。这种分析方案提供了一项透明的检查，确认方法之间的差异是由于强度的受控重新分配和信息内容的改善，而不是由于随机效应或图像结构的局部依赖性扭曲。

表1总结了使用无监督分析方法验证处理后图像结构的结果，其中对相同的源DICOM图像进行了成对比较。NMI与DICOM和Spearman的rho度量反映了信息关系的保持程度以及强度与源DICOM表示的等级一致性。NMI评估了处理后的图像相对于参考图像在保持统计显著信息方面的程度；因此，PROPOSED中位数的增加表明变换与源数据之间的信息一致性更高，同时保持了整体结构。Spearman的rho用作强度单调顺序保持的指标：接近1表示亮度映射没有破坏值的排序，即没有引入可能改变组织内明暗级别的反转。Clipping 0 + max度量表征了范围极值处的像素饱和度程度；较低的剪切表示更有效地使用了动态范围，而没有人为“切断”信息。熵（context）和有效位数是最终表示的信息内容的指标：熵反映了亮度分布的多样性和丰富性，而有效位数描述了变换后实际使用的灰度级别数量。在PROPOSED中增加这些值被解释为有效位深度的增加以及在不需要基于位置的增强方法的情况下提高低对比度细节的可见性。

表1. 未经过训练的情况下，相对于基线DICOM和临床相关钙化ROI（成对中位数）的未训练验证度量总结。CNR度量评估了目标对象在其标记感兴趣区域内的局部可区分性；它的引入是为了确保全球信息内容的改善不会以对比度降级为代价，特别是在目标病理区域内。最后，文件大小（KB）捕捉了一个工程上的权衡：转向更具信息性的表示会增加文件大小，在存储和训练时需要考虑这一点。Delta中位数、95%置信区间（delta）、胜率（Win-rate NEW）和p值字段是对效应稳定性的正式评估：中位数差异表示变化的幅度，置信区间反映了估计的不确定性，胜率表示根据给定标准新方法更优的图像比例，p值确认了新方法优势方向的统计显著性。

表2详细说明了亮度分布和纹理特征的结构变化，这些变化解释了不同方法之间的差异，如果我们不是分别考虑每种方法的最终值，而是考虑PROPOSED相对于STANDARD在相同图像中的成对变化。eff_bits和entropy_u8度量确认，在8位预览中（以及相应的衍生物表示中），新方法更丰富地使用了亮度级别，并增加了分布的信息多样性，这是处理后“强度分辨率”提高的直接指标。clip_low和clip_high度量表征了范围低端和高端的剪切情况；clip_low的负偏移表示在零处的饱和度降低，即减少了阴影损失，并在弱信号中更准确地分布了级别，而clip_high的零偏移表示高端饱和区域没有系统性退化。lap_var_u8（拉普拉斯方差）和hf_std_u8（高频标准差）度量反映了精细结构和边界表达的变化。这些值的增加表示更好的细节和局部亮度变化，这对于可视化和检测小对象很重要。然而，这也需要监控人为纹理。因此，这些度量与DICOM一致性度量和单调性度量一起考虑。cnr_tail度量通过显示分布“尾部”的对比度变化来补充分析，在粗尺度缩放过程中，这些区域可能会丢失弱信号和罕见结构。最后，mask_area_frac反映了有效区域掩码分数的变化，并作为乳房区域分割和预处理的稳定性的指标；较小的负偏移表示更严格的系统排除背景/边界区域，这可能提高归一化统计的稳健性。所有度量都提供了95%的置信区间和Wilcoxon符号秩检验p值，确认观察到的成对变化是在样本中系统性的，而不是由于个别图像导致的。

为了定量评估标准和所提出的预处理方案之间的差异，我们分析了一组调整大小图像上的全局度量分布。图6显示了有效位深度（eff_bits）、8位熵（entropy_u8）、低端和高端剪切比例（clip_low, clip_high）、拉普拉斯方差（lap_var_u8）和对比度噪声尾部（cnr_tail）的分布密度。如图eff_bits分布所示，标准处理集中在大约7-8位的范围内，相当于8位范围的接近耗尽，而所提出的方法则朝向大约14-16位。这表明有效信息内容比标准量化增加了6-8位，相当于动态分辨率增加了大约倍。熵_u8也显示了类似的趋势：中位熵从约7.0-7.2位增加到7.6-7.8位，表明亮度级别的使用更加均匀。clip_low分布显示标准方案在零级区域表现出更明显的值集中，尾部延伸到约0.15-0.20，而所提出的方法几乎消除了过多的低端剪切，稳定了动态范围。对于clip_high，差异很小，确认两种方法都没有激进的高端饱和。lap_var_u8度量显示所提出方法的分布显著向右移动：拉普拉斯方差在中位数处增加了大约2-3倍，表明保留并增强了精细细节，而没有局部依赖的伪影。cnr_tail度量也显示出向更高值的移动（在分布模式中约为10-20单位），反映了低对比度结构的可见性提高。总的来说，这些分布证实了所提出的流程主要在解剖学信息丰富的区域内重新分配了动态范围，从而增加了有效位深度、熵和结构变异性，而没有增加剪切或引入局部依赖的扭曲。这与假设一致，即全局单调强度控制为后续检测模型的训练提供了更有信息量和稳健的数据表示。

图6. 完整农业季节样本的基线随机森林模型的标准化误差矩阵。为了评估标准预处理和所提出预处理结果之间的结构一致性，对同一组图像计算了成对的相似性度量。图7显示了STANDARD和PROPOSED表示之间的Spearman等级相关系数（spearman_rho）、Pearson线性相关系数（pearson_r）、标准化互信息（NMI）、峰值信噪比（PSNR）和结构相似性指数（SSIM）的分布。spearman_rho和pearson_r分布几乎完全集中在1.0附近，表明图像之间的等级和线性关系几乎完美。这定量确认了全局强度顺序的保持和亮度反转的缺失，与变换的形式指定单调性约束一致。同样，NMI分布显示值集中在0.98-1.00范围内，表明图像之间的互信息程度高，没有结构信息损失。PSNR度量的值主要在30-45 dB范围内，表明在保持整体图像结构的同时有适度的幅度差异。重要的是要注意，这些差异是系统性的，反映了动态范围的重新分配，而不是局部依赖的扭曲。SSIM分布集中在0.93-0.99范围内，中位数约为0.97-0.98，确认了标准结果和所提出结果之间的高结构一致性。总的来说，这些度量表明所提出的方法显著地在信息丰富的领域内重新分配了强度，增加了有效位深度和对比度可区分性（见图6），同时几乎完全保持了结构几何和亮度级别的整体顺序。因此，在动态范围的信息扩展和变换的严格结构再现性之间取得了关键的平衡，这对于检测模型的稳定训练至关重要。

图7. 在相同图像上，STANDARD与PROPOSED的成对相似性度量分布。为了进一步评估STANDARD和PROPOSED处理之间差异的系统性质，构建了带有恒等线的成对散点图，以反映同一图像内全局度量值之间的关系。图8显示了有效位深度（eff_bits）、8位表示熵（entropy_u8）和对比度噪声尾部（cnr_tail）的比较。对于eff_bits度量，整个图像集中观察到点明显高于恒等线：PROPOSED的值系统性地超过了STANDARD大约6-8位，定量确认了有效动态信息内容的增加。围绕斜率为1的线没有散点分布，表明增加是稳定的，而不是随机的。熵_u8也观察到了类似的模式：点主要在対角线上方，表明熵平均增加了约0.4-0.6位，反映了亮度级别的更均匀使用。对于cnr_tail，点分布相对于恒等线显示出正向的系统偏移，特别是在中等和高级别范围内，表明低对比度结构的可区分性更高。同时，STANDARD与PROPOSED之间的线性关系得以保持，这表明动态范围的重新分配是一致的，并且没有破坏图像的相对结构。综合来看，散点图确认了信息特征的改进是确定性的和全局性的：所提出的方法一致地增加了有效位深度、熵和对比度灵敏度，而不会影响图像之间的连贯性。这与之前显示出的高相关性和结构相似性（见图7）一致，并证实了信息内容的增加是通过控制性的单调强度重新分配实现的，而不是通过局部非线性失真。图8展示了STANDARD和PROPOSED之间的成对散点图（身份线）以进行比较。为了评估预处理对局部信息区域的影响，计算了可疑钙化区域的ROI内的指标。图9显示了两个指标的分布：ROI与周围环状区域的中值强度差（median(ROI) ? median(ring)）和稳健的对比度噪声比（robust CNR）。对于Δintensity指标（median(ROI) ? median(ring)），使用所提出的方法时分布显示出系统性的向右移动。中值从大约0.07–0.08（STANDARD）增加到0.10–0.12（PROPOSED），相当于相对增加了大约30–50%。上层四分位数也向上移动，达到了约0.16–0.18，而标准方案中的上层四分位数约为0.12–0.13。这表明钙化区域与周围组织的分离更加明显，同时保持了标准化的强度尺度。对于稳健的CNR也观察到了类似的趋势：中值从大约0.5–0.6增加到0.6–0.7，上限范围达到了约2.0。然而，下层四分位数没有下降，表明弱病例没有恶化。四分位数范围的扩大反映了对于解剖学上重要区域内局部强度变化敏感度的提高。重要的是要强调，ROI指标的增加是通过非侵入性的局部对比度增强或破坏全局单调性来实现的，这一点通过高相关性和结构指标得到了证实。因此，图9定量证明了所提出的方法不仅增加了全局信息内容（见图4），而且还直接增强了钙化的局部可区分性，这对于检测小型、低对比度的物体至关重要。图9显示了可疑钙化的ROI指标：局部对比度和稳健的CNR（STANDARD vs. PROPOSED）。图10展示了所提出处理方案与标准处理方案之间局部ROI指标增量的分布，计算方式为NEW ? STANDARD，用于中值ROI对比度和稳健的CNR。这种分析允许独立于全局缩放差异，直接评估可疑钙化区域的变化方向和幅度。在中值ROI对比度增量的分布中观察到了明显的正偏斜。大多数值集中在大约0.02到0.10的范围内，中值约为0.04–0.06，表明钙化区域的局部对比度相对于周围组织系统性地增加了。负值很少见且幅度小，表明在大多数情况下没有退化。罕见的正异常值高达约0.4–0.6，反映了可区分性特别显著的情况。对于稳健的CNR增量也观察到了类似的模式，分布显示正向偏移，中值约为0.05–0.10，且值主要集中在正区域。负偏差的数量很少且幅度小，而正异常值达到了大约1–2，表明在一些具有挑战性的情况下可区分性显著提高。总体而言，结果表明局部对比度和CNR的增加是系统性的，并非由于随机波动。所提出的方法一致地增加了可疑钙化区域的图像信息内容，而没有造成广泛的退化，从而证实了其作为全局一致且单调的动态范围重新分配机制的有效性。图10显示了钙化区域局部ROI指标的差异（NEW-STANDARD）。图11使用一个包含可疑钙化区域的特定R-MLO图像，通过标准方法和所提出的预处理方法进行了定性比较，该图像有一个明显的感兴趣区域（ROI）。顶部行显示了带有叠加边界框的完整图像，而底部行展示了放大的ROI片段，以便详细分析纹理和对比度。STANDARD（uint8）方法表现出典型的8位转换动态范围压缩：实质内的渐变部分平滑，ROI内的低对比度微结构与周围组织的区分不够清晰。放大的片段显示出中等的强度均匀性，使得难以视觉上区分细致的亮度变化。PROPOSED（uint16 → u8视图）方法在保持自然几何形状的同时，视觉上更明显地分离了低对比度结构，并消除了局部依赖的“对比度斑点”。在ROI内，微纹理细节得到了增强，钙化边界在背景中更加清晰可辨，解剖区域的亮度分布也更加分级。同时，背景和组织几何形状与标准版本保持一致，证实了没有人为的结构失真。因此，图9从定性上证实了之前指标的定量结果：所提出的方法通过全局单调的方式重新分配动态范围，增强了钙化的局部可区分性，保持了图像的结构一致性，并避免了局部自适应对比度增强方法通常会产生的伪影。图11展示了完整图像和放大片段中可疑钙化的ROI可视化：比较了STANDARD和PROPOSED。所得到的全局和局部指标表明，所提出的转换在保持图像结构一致性的同时，增加了图像内的信息内容。高通量和结构指标证实了没有倒置和几何失真。因此，无需训练即可进行定量验证，确认了所提出流程的正确性和可重复性，并为其在实际检测任务中的有效性提供了基础。3.3. 通过训练钙化检测器进行下游验证通过使用每种方法处理的乳腺X光图像数据集来训练机器学习模型，将数据分为训练集和测试集，从而评估标准和所提出的预处理方法的实际有效性。这个实验的目标不是选择最优架构，而是确认预处理之间的差异会导致模型检测与目标特征相关稳定模式的能力发生可测量的变化。模型训练允许从纯粹的结构和统计图像验证过渡到功能评估：如果预处理确实改善了表示的信息内容并增强了低对比度细节的可见性，那么模型应该能够更有效地提取鉴别特征，表现出更稳定的收敛性，并更好地将知识转移到测试数据上。为了消除外部因素的影响，两个数据集的训练都采用相同的配置，包括相同的分割策略、输入大小预处理、优化模式和评估标准，因此最终模型性能之间的唯一差异来源是输入图像生成方法。这种方法提供了实际确认，所提出的方法不仅在度量意义上保持了图像的结构，还为算法分析提供了更合适的表示，从而提高了特征的可提取性和乳腺X光图像中目标模式检测的质量。在本小节中，我们描述了对预处理对后续机器分析质量影响的实际测试。对于两组图像（STANDARD和NEW，使用不同的方法生成），我们使用findingannotations.csv中的边界框标签来训练病理区域检测器。为了消除外部因素的影响，两个数据集使用了相同的训练/评估协议，包括相同的训练/测试分割、相同的优化超参数和计算测试指标的统一规则。为了提高推理的可靠性，使用了两种不同强度的架构：轻量级检测器（一个快速模型，用于测试预处理的敏感性，计算资源有限）和增强型检测器（一个更强大的模型，用于确认随着代表性的增加效果是否得到保持）。重要的是，增强仅应用于训练集，并且在几何上是对称的且与边界框一致（没有纹理/对比度的变化），以避免扭曲诊断上重要的结构，同时提高训练的鲁棒性。表3提出了一个统一的、受控的实验协议，使得STANDARD和NEW之间的比较有效：只有图像预处理发生了变化，而分区、标记、增强规则、优化和评估标准保持不变。表3. 检测器的训练和评估通用协议（STANDARD和NEW相同）。需要强调的是，增强不会改变光度或纹理，仅应用于TRAIN，而边界矩形严格根据图像进行变换，消除了标记偏移。表4列出了用于测试预处理方法的两种检测器架构。使用轻量级和增强型架构并行进行测试可以增加证据：如果不同模型大小之间的改进/差异是一致的，这表明预处理的贡献是稳健的，而不是随机的网络特定特性。基于对两个预处理图像集（STANDARD和NEW）的训练结果，两种检测器架构都表现出稳健的收敛性：损失函数值在多个时期都在下降，没有任何发散的迹象，证实了标记的正确性和所选超参数的稳定性。轻量级的Faster R-CNN MobileNetV3-FPN模型达到了更快的稳定平台。同时，增强型的Faster R-CNN ResNet50-FPN v2模型在最后几个时期显示出更明显且均匀的损失减少，与其更高的代表性一致。重要的是，训练和评估使用相同的协议（单一调度器、SGD、12个时期、0.20的得分阈值和0.50的IoU标准），因此STANDARD和NEW之间的比较被解释为预处理差异的效果。在测试集上，使用Precision@IoU0.5、Recall@IoU0.5和MeanIoU_matched来评估检测质量，允许比较定位准确性和检测召回率。获得的结果进一步证明了所选预处理对数据训练模型适用性的影响以及独立测试中质量的最终可重复性。图12显示了在相同模型架构和训练/评估协议下，TEST上最终检测器指标的条形图；实验之间的差异仅由于图像预处理方法。使用Precision@IoU0.5、Recall@IoU0.5和MeanIoU_matched（匹配预测的平均IoU）来评估质量，允许同时分析检测准确性、召回率和定位精度。图12. 在两种图像预处理选项（STANDARD vs. NEW）下，轻量级Faster R-CNN MobileNetV3-FPN模型在测试集上的检测质量比较。对于STANDARD集合，获得的Precision@IoU0.5为0.465，而对于NEW，为0.442，表明在IoU = 0.5的固定阈值下，NEW的假阳性比例略有增加。同时，检测召回率保持不变：两种变体的Recall@IoU0.5均为0.513，表明平均而言，预处理方法不会恶化找到目标区域的能力。最后，NEW的MeanIoUmatched（0.735）几乎与STANDARD（0.733）相同，甚至略有提高，表明正确检测到的对象的定位相当（且可能更准确）。总体而言，结果表明NEW的预处理保持了召回率和定位质量，但需要额外的阈值/滤波调整来补偿准确性的降低。图13显示了在固定复杂模型架构和相同训练/评估协议下，TEST上最终检测器指标；实验之间的差异仅由于图像预处理方法（STANDARD和NEW）。使用Precision@IoU0.5、Recall@IoU0.5和MeanIoU_matched来评估质量，允许分别分析检测分类准确性、检测召回率和帧定位准确性。图13. 在两个图像预处理选项（STANDARD vs. NEW）下，复杂Faster R-CNN ResNet50-FPN v2模型在测试集上的检测质量比较。根据Precision@IoU0.5指标，STANDARD方法的准确率为0.277，而NEW的准确率为0.251，表明在IoU = 0.5的阈值下，NEW的假阳性比例更高。同时，Recall@IoU0.5的值几乎相同（STANDARD为0.698，NEW为0.696），这表明模型对目标对象的敏感性在不同预处理方法中保持一致。一个重要的结果是NEW的平均IoU_matching值有所提高（从0.728提高到0.741），这表明在检测被认为是正确的情况下，对象边界的定位更加准确。因此，对于复杂的模型，NEW预处理方法提供了相当的召回率，并提高了边界框的几何精度，但同时伴随着整体精度的下降，这说明了优化置信度/后处理阈值以减少误检（FP）的必要性。对于强大的模型，所提出的预处理方法显示出了比标准方案更高的检测灵敏度。具体来说，在STRONG + NEW配置中，Recall@0.5的值从0.254157提高到0.294537，真正例的数量从107增加到124，漏检的数量从314减少到297。同时，误检的数量从242增加到255，这导致精确度和召回率之间的平衡发生了变化（见表5）。这种结果可以理解为一种预期的折中：新流程提高了弱特征和低对比度特征的区分能力，使得模型能够检测到更多的候选对象，包括真正的目标对象和一些背景结构。在实际应用中，可以通过选择工作置信度阈值和后续的预测后处理来进一步调整这种效果。从临床角度来看，这种折中的可接受性取决于应用场景：在筛查应用中，较高的召回率可能更受欢迎；而在诊断验证场景中，可以使用更严格的操作点来减少误检的数量。表5显示了不同模型和预处理方法的检测结果（IoU = 0.5）。需要注意的是，对于一些指标，包括AP@0.5，不同配置之间的置信区间部分重叠。这意味着在没有额外注意的情况下，不应将方法之间的差异解释为单一指标的绝对统计优势。特别是对于强大的模型，AP@0.5的区间分别为[0.105, 0.155]（STRONG + NEW）和[0.095, 0.143]（STRONG + STANDARD），这表明需要谨慎解释这些结果。因此，本研究的结论是基于一组指标得出的，包括Recall@0.5、F1@0.5、TP和FN，以及结构指标验证和ROI分析的结果。因此，置信区间的重叠被视为统计不确定性的一个因素，需要全面评估所有获得的结果，而不是否定观察到的趋势。表6反映了几何定位的质量和计算成本。在匹配对象的平均IoU方面，STRONG + STANDARD显示出最佳值（MeanIoU = 0.8374）。同时，与STRONG + NEW（0.8371）相比，差异很小，这表明新的预处理方法不会降低检测到的对象的边界框精度。STRONG + STANDARD还显示了最小的中位框中心误差（10.37像素）。相比之下，STRONG + NEW的误差略大（12.62像素），表明中心位置有轻微的变化，但保持了相当的IoU。在处理速度方面，轻量级模型如预期般领先：LIGHT + STANDARD每张图片的处理时间最短（22.19毫秒/张），与LIGHT + NEW基本相当。强大模型的处理时间显著较长（约102-103毫秒/张），因此在选择配置时应该考虑速度要求：如果优先考虑灵敏度，则STRONG + NEW是最佳选择；如果优先考虑速度，则LIGHT + STANDARD/NEW更为合理，而在轻型模型中，NEW对精度的影响大于召回率。表6显示了检测结果：不同模型和预处理方法的定位指标和计算效率（画面质量和速度评估）。标准处理方法在结构和纹理特征以及下游检测任务中表现出了稳定、可预测的行为。在全局指标方面，它产生的图像特征更为熟悉：熵和有效位深度分布比新方法更偏向较低的值，对应于信息范围更有限，细节表达可能较弱。在与参考数据的成对相似性指标（高Spearman/NMI）方面，标准方法提供了高一致性。在检测器训练层面，它在轻型模型中展示了竞争性的平衡。在AP@0.5和F1@0.5方面，LIGHT + STANDARD的表现略好，中心定位更准确（中等位中心误差更低），推理时间也更短。新的处理方法在数据结构方面提供了更多信息：上下文熵和有效位数增加，剪切现象减少（尤其是在较低边界），纹理指标（拉普拉斯方差、高频成分）的分布表明微结构辨识度提高。这与ROI分析的结果一致，对于可疑钙化灶，ROI对比度和稳健的CNR统计数据显示ROI辨识度有所提高，可视化示例显示bbox区域内的细节更加明显。在下游评估中，新的预处理方法对复杂模型更有优势：STRONG + NEW提供了更好的AP@0.5和更高的Recall@0.5（以及相应的更低FN），即提高了检测灵敏度，同时保持了相当的定位质量（MeanIoU_matching相对于STRONG + STANDARD基本不变）。图14显示了两种不同复杂度的检测器架构（LIGHT和STRONG）在两个图像预处理选项（STANDARD和NEW）下，平均损失函数随训练周期变化的曲线。所有模型都使用相同的实验协议进行训练，超参数固定，训练周期相同，并使用了预训练的权重。因此，曲线之间的差异可以解释为输入数据预处理差异的效果。对于轻型模型，训练损失值大约在0.22-0.20之间，表现稳定，没有发散的迹象。对于LIGHT + STANDARD配置，损失值从第一周期的0.2227变化到第十二周期的0.2046；而对于LIGHT + NEW，损失值从0.2259变化到0.1989。对于随机检测器训练，各个周期之间的小幅波动是预期的，不表示过程不稳定。对于更复杂的模型，损失函数的降低更为明显。在STRONG + STANDARD配置中，训练损失从0.2357降低到0.1446；而在STRONG + NEW配置中，损失从0.2314降低到0.1356。这表明两种强大模型的收敛都很稳定，同时也表明所提出的预处理方法导致的最终损失略低于标准方案。总的来说，该图确认了选择的12周期训练制度足以使轻量级和更强大的架构实现稳定收敛，而提出的预处理选项没有降低优化过程，并且在两种模型中都使得最终训练损失略低于标准预处理。图14显示了LIGHT和STRONG模型在STANDARD和NEW预处理下的训练曲线（训练损失）。新的图像处理方法在鲁棒性和几何精度方面与标准方法相当，同时在结构和纹理特征的信息量方面提供了系统性的提升，并在更强大的模型中提高了检测灵敏度。因此，对于识别低对比度和小特征（例如钙化灶）以及最小化漏检对象的任务来说，新的流程更为合适。同时，标准方法仍然是速度和轻型模型中指标平衡略为理想的场景下的强大基线选项。获得的训练结果表明，与标准版本相比，所提出的预处理方案在检测指标方面提供了稳定的提升，即使数据划分和模型超参数保持不变。精度的提高和召回率的提升伴随着运行间变异性 的减少，表明输入数据分布更加稳定，低对比度对象的可辨识度也得到了提高。因此，下游验证确认，在结构和ROI指标层面识别的信息内容的增加转化为检测器效率的实际提升，观察到的改进是由于动态范围的系统、单调控制重新分配，而非随机学习效应。讨论部分指出，本研究旨在测试用新的方法替换标准乳腺影像预处理方法对以下方面同时产生的影响：（i）相对于DICOM的原始信号结构的保持，（ii）纹理-频率特性和图像信息内容，（iii）可疑钙化区域的局部ROI指标，以及（iv）在训练不同复杂度模型时下游检测任务（边界框）的性能。关键的是，比较是在受控条件下进行的：只有预处理方法进行了变化，而检测器架构、训练/测试划分协议、增强集（仅限于几何和bbox一致性）和评估标准保持不变。在全球指标层面，新方法在与原始数据的一致性和信息范围扩展方面显示出一致的改进。因此，相对于DICOM的NMI从0.8778提高到了0.8921（Δ ≈ +0.0143），胜率非常高（0.983），差异具有统计学显著性（p值约为10^-261），表明这种效应是系统性的而非随机的。几乎完美的等级一致性（Spearman ρ ≈ 1.0，同样具有统计学意义）意味着新流程保持了相对强度比，没有扭曲亮度分布的整体结构。同时，观察到剪切现象减少和熵与有效位数显著增加（例如，上下文熵从7.03增加到8.46；有效位数从7.88增加到10.11），这被解释为动态范围的增加和信号的“可见”信息内容的增加，这对于低对比度微结构尤为重要。在纹理-频率属性方面，新方法也显得更为“详细”。拉普拉斯方差和高频成分（hf_std）分布向更高值的偏移与预处理强调精细边界和局部强度差异的事实一致。这对于乳腺成像尤为重要，因为在乳腺成像中，诊断上重要的特征（微钙化灶、细小刺状物、模糊的 consolidation）通常表现为局部的高频结构，背景是异质组织。理解这种效应的二元性很重要：增加高频能量可以提高发现的辨识度，但也增加了将噪声和正常纹理误认为是“病理”的风险，这反映在检测器的误检/精度平衡上。可疑钙化灶边界框内的ROI分析结果支持了局部辨识度提高的假设。ROI对比度分布（ROI和环形中位数之间的差异）与稳健的CNR的比较显示，新方法的平均值有所改善（基于视觉分布和差异）；也就是说，对于相当一部分图像，钙化灶相对于局部背景的对比度变得更加明显。示例性的ROI图（整体视图和放大片段）从定性上证实了这一效果。在bbox窗口中，结构和亮度差异更加明显，这对于后续的检测器训练和视觉解释非常重要。通过检测器训练的下游评估表明，预处理的效果取决于模型的能力和它能够提取的特征。对于轻型检测器，方法之间的差异很小，且涉及权衡：在图10中，STANDARD的Precision@IoU0.5略高（0.465 vs. 0.442），Recall几乎相同（0.513 vs. 0.513），NEW的MeanIoU_matched略高（0.735 vs. 0.733）。几项指标的表格评估（表5和表6）也表明结果接近：LIGHT + STANDARD的AP@0.5和F1@0.5略高，而LIGHT + NEW提供了相当的精度和推理速度。这与解释一致：轻型模型可能对图像的“纹理复杂性”增长更敏感（一些额外的结构被解释为候选对象，从而增加了误检）。同时，预测的几何一致性得到了保持。对于更强大的检测器，基于综合质量指标，新方法似乎更可取。在图11中，NEW的MeanIoU_matched显著更高（0.741 vs. 0.728），Recall@IoU0.5的值相似（0.696–0.698），而NEW的精度略有下降（0.251 vs. 0.277）。然而，整体的表格评估显示，STRONG + NEW在所有处理方法中取得了最高的AP@0.5（0.1288），优于STRONG + STANDARD（0.1185），并且通过增加假正率（FP）来提高了召回率（Recall@0.5：0.2945对比0.2542）。当预处理能够增强潜在有用的弱特征时，这种特征组合是典型的：强大的模型开始发现更多的真实对象（真阳性TP增加，假阴性FN减少），但同时也扩大了候选对象的集合。对于医学筛查任务来说，这可能是一种可接受甚至理想的方式，因为忽略可疑发现通常比后续过滤/验证（例如通过第二个级联系统、分类器或专家评估）的额外负担更为重要。这项工作的主要贡献应该从系统层面来看待。各个组成部分，如LUT、掩蔽、鲁棒归一化或单调色调映射，并不是全新的。然而，所提出的框架将这些组件整合到一个单一的像素-单调架构中，并受到明确的工程约束：保持强度等级顺序，避免局部依赖的伪纹理，将训练表示与显示表示分开，并定量验证这些属性。正是这种架构整合使得在后续阶段信息保留和检测器稳定性得到了提升，从而将该方法与依赖于视觉上方便但分析上不受约束的变换的传统预处理流程区分开来。实际的权衡需要单独讨论。所提出的方法导致文件大小显著增加（平均从大约1059 KB增加到3182 KB），这主要是由于保持了更高的动态范围/位深度以及PNG编码的特性。虽然这增加了存储和带宽需求，但在对准备好的数据进行离线预处理和训练或推理时，并不一定影响计算可行性，因为观察到的msSvg值在不同模型类别中仍处于可比范围内。从可重复性的角度来看，研究设计的一个重要优势是使用了相同的增强协议而无需强烈的光度变换，这减少了预处理效果被人为的亮度或对比度变化掩盖的风险。从临床角度来看，假阳性结果的增加应根据具体应用来解释。在筛查环境中，减少遗漏的可疑结果通常比最小化额外的召回率更为重要，因此如果随后有专家审查，适度的假阳性率增加可能是可以接受的。然而，在更加严格的诊断场景中，采用更为保守的操作点可能更为合适，以限制过度假阳性结果带来的负担。总体而言，所提出的预处理方法的实际效用取决于对弱特征和低对比度特征的敏感度提升、需要分析的候选对象数量增加以及特定临床工作流程的需求之间的平衡。

本研究有几个局限性。首先，评估是在单个数据集上进行的，并且在固定的实验条件下行事，包括使用预定义的分数和IoU阈值的bbox检测。因此，所呈现的结果应在这一受控比较的框架内进行解释。其次，AP@0.5的估计是近似的，并提供了置信区间；这些区间的部分重叠表明一些观察到的差异是适度的，应通过外部数据进一步验证。第三，当前分析仅限于固定的对象检测协议，因此只包括了直接可比较的检测指标，即精确度、召回率、F1分数、AP@0.5和MeanIoU_matched。尽管这些指标适合方法学比较，但像FROC、AUC和在固定假阳性率下的敏感性这样的临床相关指标可以提供对该方法实际诊断价值的额外见解，并应在未来的临床验证中包括进来。同时，在这项研究的限制范围内，所提出的预处理方法可以被认为是具有竞争力的。它系统地改善了图像信息内容，并更好地保持了与原始数据表示的一致性。在检测任务中，其效果对于高通量模型尤为明显，它提高了综合检测质量（AP）和敏感性。这一发现对于AI辅助的乳房X光分析具有实际意义，因为在不同的临床工作流程中，减少遗漏的可疑发现可能很重要。进一步研究的一个有前景的方向是优化评估阈值和后处理策略，以减少NEW的假阳性数量而不牺牲真阳性或召回率，同时评估所提出的预处理流程对下游任务（如分类、分割和多模态分析）的影响。

5. 结论
本文对比研究了标准和提出的预处理方法，用于对乳房X光DICOM图像进行处理，以产生更适合定量分析和机器学习任务的表示，同时保持原始信号的结构正确性。验证在三个互补领域进行：（i）全局结构信息验证（与原始DICOM的一致性、裁剪和熵-位深度指标），（ii）临床重要ROI中可疑钙化的局部评估，以及（iii）通过在固定的训练/测试集上训练边界框检测器进行的下游应用评估。获得的结果证实，所提出的方法在不对强度结构造成破坏的情况下实现了动态范围的受控重新分配：几乎完美的等级一致性得到保持，裁剪减少，表示的信息丰富度增加，表现为熵和位深度特性的提高以及细节纹理指标的增强。ROI分析和视觉示例表明，变化集中在解剖学上有信息价值的区域，并提高了对与钙化相关的低对比度结构的区分能力。使用两种不同复杂度的检测器进行的下游实验表明，新方法没有降低几何定位精度，并且在更强大的模型下实现了最大的实际效果，从而提高了整体质量指标和检测敏感性。然而，也发现了预期的工程权衡，即在保持更具信息性的表示的同时文件大小会增加。总体而言，在当前的乳房X光数据集和评估协议范围内，所提出的预处理流程是一种有竞争力的替代方案，当优先考虑检测弱且低对比度的乳房X光特征时可能会被优先选择。未来的工作可以集中于优化置信阈值和后处理以减少假阳性，以及测试该效果在独立的外部乳房X光数据集和其他医学成像模式获取的数据集上的可转移性。

6. 专利
与本工作中介绍的方法相关的一项专利已被授予：Tusupov, D.A.; Abdikerimova, G.B.; Ismailova, A.A.; Aitimov, M.Z.; Yessenova, M.B.，《乳腺癌诊断方法》。实用新型专利编号11385，哈萨克斯坦共和国，由国家知识产权局于2025年11月14日颁发。