14、机器学习助力乳腺癌检测：原理与应用

机器学习助力乳腺癌检测：原理与应用

1. 机器学习在乳腺癌检测中的概述

乳腺癌是全球女性第二大死因，在亚洲国家影响显著。由于临床专业知识的缺乏，计算机辅助诊断（CAD）在协助医生和放射科医生有效诊断乳腺癌病例方面发挥着重要作用。机器学习和人工智能技术结合信号处理工具，极大地提升了CAD的性能和乳腺癌诊断结果。

在机器学习中，有监督学习和无监督学习两种主要方法。监督学习是利用已知的输入和输出数据来训练模型，以预测未来的输出；而无监督学习则是在没有标记输出数据的情况下，从输入数据中推断隐藏模式。

2. 乳腺癌检测的主要步骤

2.1 图像预处理

图像预处理是在进行进一步处理之前，从各种成像系统获取的图像中去除不需要的噪声和其他伪影的重要步骤。常见的预处理技术包括：
- 去斑滤波：如Virmani和Agarwal（2019）研究的用于乳腺癌肿瘤分类的去斑滤波。
- 各向异性扩散算法（MAD）：Lyu和Wang（2019）在乳腺超声图像上实现了该算法。
- 其他技术：直方图均衡化、线性滤波和维纳滤波等，常用于图像增强。

2.2 图像分割

图像分割是开发高效CAD系统的关键步骤，其主要目的是分离感兴趣区域（ROI），即从图像中提取肿瘤进行进一步检查。分割通常考虑图像的颜色信息、灰度、边缘、纹理和其他空间信息。常见的分割技术有：
- 结合区域和边缘信息的方法：如Luo等人（2017）使用的RGB分割方法。
- 自动分割方法：Daoud等人（2019）在乳腺超声图像上实现了自动分割。
- 其他技术：期望最大化、K - 均值、模糊C均值（FCM）、