1、基于深度学习模型并行与级联集成的乳腺 MRI 病变增强检测

基于深度学习模型并行与级联集成的乳腺 MRI 病变增强检测

一、引言

乳腺癌是全球女性中最常见的癌症，对其影响因素的揭示以及诊断和治疗方案的探索受到了广泛的研究关注。早期诊断对于提高乳腺癌患者的生存率起着关键作用。虽然乳腺钼靶摄影是乳腺癌筛查的有效工具，但磁共振成像（MRI）因其能够监测肿瘤的血流情况，被推荐用于评估乳腺癌的范围。此外，在乳腺组织致密，钼靶或超声成像无法检测到病变的情况下，乳腺 MRI 也能发挥作用。然而，与其他成像方式相比，乳腺 MRI 肿瘤诊断的假阳性率相对较高，这是因为 MRI 解读需要高水平的专业知识，有研究表明人类对这种成像方式判断的特异性在 75% - 87% 之间。

计算机辅助检测（CADe）近年来受到了越来越多的研究关注。医学图像的数据探索和病变检测是一项繁琐的工作，但可以通过计算智能来加速。一种方法是将计算机视觉中基于深度学习的目标检测器进行调整和配置，以检测医学图像中的异常情况。本文提出并评估了两种基于深度学习的架构，通过并行和级联集成最先进的深度检测器，以实现最佳性能。同时，该方法还提供了一个利用全局和局部视图解决问题的框架，并为乳腺 MRI 中的病变检测提供了解释性推理。

二、相关研究回顾

医学数据的复杂性需要强大的工具来提取和学习生物模式，因此深度卷积神经网络（CNN）在医学图像处理中受到了广泛关注。CNN 已成功应用于放射治疗、MRI 和正电子发射断层扫描（PET）的衰减校正、组织分割和病变检测等领域。由于全球女性乳腺癌的高发病率，机器学习解决方案已应用于不同的乳腺成像方式，包括钼靶、超声、微波乳腺成像和 MRI，以提供更好的治疗方案。

在所有乳腺筛查技术中，MRI 能提供关于乳腺组织性质和肿