64、SimPLe：用于DCE - MRI中弱监督乳腺癌分割的相似性感知传播学习

SimPLe：用于DCE - MRI中弱监督乳腺癌分割的相似性感知传播学习

1. 引言

乳腺癌是全球女性癌症相关死亡的最常见原因，早期诊断和治疗对提高患者生存率和预后至关重要。乳腺动态对比增强磁共振成像（DCE - MRI）在高危乳腺癌的筛查和预后评估中发挥着重要作用，能够反映肿瘤的形态、纹理和动力学异质性，是目前临床成像方式中对乳腺癌筛查和诊断灵敏度最高的方法。

为了更好地辅助放射科医生进行乳腺癌诊断，人们开发了各种分割算法：
- 早期方法 ：早期研究集中在基于图像处理的方法，如进行图割分割或分析低级手工特征。但这些方法在分析体积数据时可能面临计算复杂度高的问题，且大多需要手动交互。
- 深度学习方法 ：近年来，基于深度学习的方法被应用于乳腺MRI分析。例如，Zhang等人提出了一种掩码引导的分层学习框架，在48个测试T1加权扫描上实现了72%的平均Dice值；Li等人开发了多流融合机制，在313个受试者上获得了77%的Dice结果；Gao等人提出了带有设计注意力模块的2D CNN架构，在87个测试样本上得到了81%的Dice结果等。

然而，获取体素级分割掩码仍然耗时费力。弱监督学习策略，如极值点、边界框和涂鸦标注，是有希望的解决方案。目前，仅有一项针对DCE - MRI中乳腺肿块分割的弱监督工作，该方法采用三种部分标注方法，在仅含28名患者的测试数据集上使用间隔切片标注获得了83%的Dice值。

在本研究中，我们提出了一种简单而有效的弱监督策略，使用极值点作为标注来分割乳腺癌，通过常规的训练 - 微调 - 再训练过程优化分割网络，并使用相似性感知传播学习（Sim