13、基于卷积神经网络的乳腺密度分类与属性图异常检测

基于卷积神经网络的乳腺密度分类与属性图异常检测

在医疗和数据处理领域，乳腺密度分类和属性图异常检测都是重要的研究方向。下面将分别介绍基于卷积神经网络的乳腺密度分类方法以及改进的属性图异常检测方法。

基于卷积神经网络的乳腺密度分类

1. 研究背景与数据集

在乳腺密度分类研究中，曾有研究让 21 位平均阅片经验 12 年（范围 4 - 22 年）的放射科医生对乳腺钼靶图像进行评估，使用加权卡方值衡量阅片者间和阅片者内的一致性，结果显示阅片者间一致性κ = 0.73（95%置信区间 0.72 - 0.74），阅片者内一致性κ = 0.82（95%置信区间 0.80 - 0.84）。尽管阅片者内卡方值显示出几乎完美的一致性，但 0.82 这个数值也表明了 BI - RADS 测量方法即使对于训练有素的专业人员也存在一定主观性。

本研究使用的乳腺密度数据集来自秘鲁利马的两个医疗中心，样本为接受常规乳腺癌筛查的女性，年龄范围 31 - 86 岁（平均年龄 56.7 岁，标准差 9.5 岁），共 1060 名受试者。钼靶图像通过两种不同系统采集：Selenia Dimensions 系统生成像素间距为 100μm 的数字钼靶图像，约占 16%；Mammomat 3000 系统结合 CR 35 数字化仪生成 16 位深度、像素间距为 50μm 的数字图像，约占 84%。

这些图像由 8 位经验在 5 - 25 年不等的放射科医生进行盲分类，他们的分类众数被视为本研究的真实标签。为了便于研究，手动选择感兴趣区域（ROI）仅包含乳房区域，裁剪后的图像调整为 200×200 像素。实验表明，调整图像大小后卷积神经网络（CNN）表现更好。数据集按分层方式划分为