《Journal of Imaging》：An Unsupervised Deep Learning Framework for Quantitative Breast Density Estimation from Mammograms
编辑推荐：
乳腺癌是女性中最常诊断的恶性肿瘤，早期检测对临床结局至关重要。乳腺X线摄影（Mammography）仍是标准筛查手段，可评估乳腺影像成像与报告数据系统（Breast Imaging-Reporting and Data System, BI-RADS）定义的四
乳腺癌是女性中最常诊断的恶性肿瘤，早期检测对临床结局至关重要。乳腺X线摄影（Mammography）仍是标准筛查手段，可评估乳腺影像成像与报告数据系统（Breast Imaging-Reporting and Data System, BI-RADS）定义的四分类乳腺密度——即纤维腺体组织占乳腺的比例，高密度不仅会遮挡恶性病变且是独立的乳腺癌风险升高因子。人工判读乳腺密度存在主观性和观察者间差异，基于主观标注训练的监督学习方法亦会继承该主观偏差。本研究提出一种核心流程无需标注数据的无监督定量乳腺密度估计框架，专家标注仅用于事后离散化二分类阈值的校准，以便与文献中监督方法比较。主要贡献包括：（i）自适应感兴趣区域（Region of Interest, ROI）提取算法；（ii）针对乳腺密度分离调优的基于卷积神经网络（Convolutional Neural Network, CNN）无监督分割流程；（iii）识别不可靠分割输出的新型置信度指标；（iv）低置信度样本的标签校正机制；（v）用于患者层面分类的置信度过滤多数投票方案。该框架在两个公开数据集DDSM和INbreast上评估，分割轮廓系数（Silhouette Score）超过0.92，与专家标注的一致性分别为71.43%（DDSM）和79.28%（INbreast）。图像级聚类质量评估确认有效的无监督标记，DDSM和INbreast平均轮廓系数分别为0.57和0.50。所提框架为定量乳腺密度估计提供了一种实用且无主观偏差的模型，经进一步研究验证后可作为放射科医师的决策支持工具。
论文解读：《An Unsupervised Deep Learning Framework for Quantitative Breast Density Estimation from Mammograms》发表于Journal of Imaging
研究背景与意义
乳腺癌是全球女性最常见的恶性肿瘤之一，早期筛查主要依靠乳腺X线摄影（Mammography）。乳腺X线摄影除发现肿瘤外，还可评估乳腺密度——即放射透射较暗的脂肪组织与放射不透过的纤维腺体（fibroglandular）组织之比例。临床上采用美国放射学会制定的乳腺影像报告和数据系统（Breast Imaging-Reporting and Data System, BI-RADS）将密度分为四类：几乎全脂肪（I类）、散在纤维腺体（II类）、不均匀致密（III类，>50%纤维腺体）和极度致密（IV类）。高密度一方面使肿瘤被遮挡降低摄片敏感度（可降至约40%），另一方面本身是乳腺癌独立危险因素。然而BI-RADS分类依赖放射科医师主观判读，观察者间变异大，尤其对III、IV类判别一致性差。现有基于机器学习（含深度学习）的密度估计方法多为有监督范式，其训练依赖专家标注，不可避免引入主观偏差且标注成本高昂。虽有少量无监督分割尝试（如K-means、高斯混合模型），但尚未见系统性应用基于CNN的无监督分割并结合置信度评估与校正机制的完整流程。为此，研究人员提出一种核心管线完全不依赖标注数据的无监督深度学习框架，用于从乳腺X线片中定量估计乳腺密度并二分类（Fatty：BI-RADS I+II vs Dense：BI-RADS III+IV），旨在消除主观偏差影响。
主要关键技术方法
研究人员选用公开数据集CBIS-DDSM（筛选后1050幅图像，805例患者）和INbreast（筛选后309幅图像，111例患者），均只纳入阴性（非恶性）病例，含CC（头尾位）和MLO（内外斜位）视图。预处理含：图像降采样5倍；基于二值化质心判断的乳腺朝向统一（右向）；设定阈值二值化+形态学闭运算提取最大连通域作为乳腺掩膜去除伪影（artefact）；自适应ROI提取——依据乳腺宽度比例（水平边界p1=0.1、p2=0.7、p3=0.1、p4=0.7）及右侧非零行纵坐标比例（垂直边界1.2倍与0.8倍首非零y）裁剪中央区域；对ROI施加对比度受限自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization, CLAHE，DDSM网格8×8，INbreast网格16×16，对比度限幅2.0）。无监督分割采用文献[15]的CNN方法（最少两层卷积+批归一化+ReLU，输出二聚类标签，损失函数为相似性损失<交叉熵>与空间连续性损失加权求和，每张图独立初始化训练至收敛或最大1000迭代，优化器为随机梯度下降SGD学习率0.10）。分割后比较高、低均值强度区域判定致密/脂肪区，计算百分比密度PD=（致密像素数/总乳腺像素数）×100%。引入新型二值置信度指标：若两分割区域平均强度差低于全局均值减β倍标准差则标记"Not Confident"，否则"Confident"；低置信度样本以整体图像平均强度就近匹配高置信度图像的全局平均致密/脂肪强度进行标签校正。患者层面采用置信度过滤后的各视图预测多数投票（全无置信视图则用全部预测，平票取Dense以反映漏诊高风险）。连续PD值经阈值μd?α×σd离散化为二分类，α、β由网格搜索于50张子集上调优。评估指标含像素级分割质量（轮廓系数Silhouette Score、组内平方和Within-Cluster Sum of Squares WCSS、Davies–Bouldin DB指数、Calinski–Harabasz CH指数）、分类性能（Accuracy、Precision、Recall、F1-score、AUC）及图像级无监督聚类质量（提取亮度、熵、偏度kurtosis等9特征计算SC/DB/CH）。
研究结果
4.1. Label Quality Analysis（标签质量分析）
通过亮度、熵、偏度、峰度四个特征直方图对比预测标签与真实标签分布，发现两数据集均呈显著重叠，模型倾向轻微过判Fatty、少判Dense，与无先验类别分布相符，预测与真实分布形态相似，表明框架捕获了数据内在密度结构。
4.2. Pixel-Level Segmentation Evaluation（像素级分割评估）
DDSM与INbreast各子集轮廓系数（Silhouette Score）均高于0.92（DDSM CC均值0.9376，MLO 0.9339；INbreast CC 0.9258，MLO 0.9295），DB指数低（0.0865–0.1011），表明像素级二聚类（致密vs脂肪）紧凑且分离良好，虽部分源于预处理对比增强，但与专家密度标签的一致性间接支持分割具临床相关信息。
4.3. Agreement with Ground Truth（与金标准一致性）
DDSM图像级二分类准确率71.14%（CC 71.05%→校正后71.46%，MLO 70.52%→校正后70.87%），加权F1-score 71.05%，AUC 0.71；患者级四视图齐全者达75.00%，平衡准确率71.38%。INbreast图像级准确率73.14%（CC 71.14%→校正后72.48%，MLO 72.50%→校正后73.75%），加权F1-score 71.29%，AUC 0.60–0.68；单图患者级一致性79.28%，平衡准确率74.85%。BI-RADS分层显示I、II类准确率高，III类最低（DDSM 60–63%，INbreast CC仅27.03%），IV类INbreast亦偏低，符合III类本身界于模糊过渡带且放射科医师自身观察者间差异最大。标签校正仅触发少量样本（DDSM CC 34例、MLO 6例；INbreast各2例）但带来稳定微幅提升。
4.4. Assessment of Image-Level Clustering Quality（图像级聚类质量评估）
以9维图像特征将Fatty/Dense图像作无监督二聚类，DDSM CC轮廓系数0.5840、MLO 0.5505；INbreast CC 0.4841、MLO 0.5157；单用峰度（kurtosis）特征轮廓系数可达0.94–0.95，证实图像特征空间能区分密度类别，支撑框架无监督标记有效性。
讨论与结论
研究人员指出框架在两独立数据集表现稳定，像素级高分可能部分受CLAHE对比增强贡献，但与专家标注的一致性证明分割捕获了密度相关结构。系统性偏向Fatty类是因无类别先验及BI-RADS III天然模糊性所致，非方法缺陷。与文献监督方法比，本框架免标注、跨数据集一致性好（仅α、β、CLAHE参数、连续性损失函数按数据集微调），虽原始准确率不及部分有监督深度网络（尤INbreast上需专家标注分割掩膜和强数据扩增的cGAN+CNN法），但避免了主观偏差传播与标注成本。消融实验证实CLAHE（DDSM获益更明显）、标签校正、自适应ROI均正向贡献性能；CNN无监督分割优于Otsu、三角阈值及K-means（后者INbreast患者级多图一致性略逊）。局限性含仅两个公开集、超参调优未严格独立验证集、无像素级解剖金标准对照、连续PD未与容积法比对。未来拟探索更强无监督分割骨干、细化置信度机制、临床协作验证及独立外部验证集测试。
结论翻译：
本研究提出了一种基于乳腺X线摄影图像无监督分割的乳腺密度估计框架，包含乳腺重新定向、伪影去除和自适应ROI提取的预处理，以及针对乳腺密度分离调优的基于卷积神经网络（CNN）的分割流程；提出了一个二元置信度指标识别不可靠分割输出并配套低置信度样本标签校正机制，以及用于患者密度分类的置信度过滤多数投票方案。框架在DDSM和INbreast两个公开数据集上评估，分割轮廓系数超0.92，与专家标注一致性分别达71.43%和79.28%，图像级无监督聚类轮廓系数平均0.57（DDSM）和0.50（INbreast）。各模块消融证实正向贡献。该框架为核心流程无需专家标注的实用、无主观偏差定量乳腺密度估计方案，经进一步临床研究验证后有望作为放射科医师决策支持工具。
