5.31.15 使用图像到图像转换和 YOLO 技术对先前的乳房 X 光检查结果中的异常进行早期检测和分类

在本研究中，我们研究了基于 You-Only-Look-Once (YOLO) 架构的端到端融合模型的有效性，该模型可同时检测和分类数字乳房 X 光检查中的可疑乳腺病变。包括四类病例：肿块、钙化、结构扭曲和正常，这些病例来自包含 413 个病例的私人数字乳房 X 光检查数据库。

对于所有病例，先前的乳房 X 光检查（通常是 1 年前扫描的）均报告为正常，而当前的乳房 X 光检查被诊断为癌变（经活检证实）或健康。 方法：建议将基于 YOLO 的融合模型应用于当前的乳房 X 光检查，以检测和分类乳房病变。然后将同一模型回顾性地应用于合成乳房 X 光片以进行早期癌症预测，其中合成乳房 X 光片是使用图像到图像转换模型 CycleGAN 和 Pix2Pix 从 Prior 乳房 X 光片生成的。

结果：评估结果表明，我们的方法可以显著检测和分类当前乳房 X 光片上的乳腺病变，肿块病变的最高率为 93% ± 0.118，钙化病变的最高率为 88% ± 0.09，结构扭曲病变的最高率为 95% ± 0.06。此外，报告了对 先前 乳房 X 光片的评估结果，肿块病变的最高率为 36% ± 0.01，钙化病变的最高率为 14% ± 0.01，结构扭曲病变的最高率为 50% ± 0.02。因此，在当前和先前检查中，对正常乳房 X 光检查的分类准确率分别为 92% ± 0.09 和 90% ± 0.06。

结论：提出的框架最初是为了帮助在当前筛查中检测和识别 X 光乳房 X 光检查中的可疑乳腺病变而开发的。建议减少先前和后续筛查之间的时间变化，以便尽早预测先前乳房 X 光检查中异常的位置和类型。

1. 介绍

乳腺癌最常见的症状是乳腺结构和组织外观的严重变化，还伴有乳腺肿瘤和细胞簇的快速形成。

乳房 X 线检查是早期检测和诊断乳腺癌的有效医学影像工具之一，可降低早期乳腺癌的晚期和致死率。为了检查潜在病变（如肿块、钙化、结构扭曲），放射科医生依靠人类的视觉理解来检测和提取乳房 X 线照片中的所有诊断信息。然而，已证明大约 10% 到 30% 的癌症病例在筛查乳房 X 线照片中被漏掉，这会产生高达 50% 的假阴性率，具体取决于病变类型和乳腺密度 [6]。随着后续随访和诊断期间筛查的增加，已经证明大约 50% 的先前乳房 X 线照片在回顾时有可见的病变 [7]。因此，这让放射科医生怀疑，没有任何类型病变明显迹象的正常先前乳房 X 线照片是否可能含有表明未来出现肿瘤风险的隐藏信息。 

CAD 被开发用于定位筛查乳房 X 线摄影中存在的病变可疑区域。CAD 方法通常基于提取图像特征（例如灰度、纹理和形状）以通过简单的机器学习技术识别感兴趣区域 (ROI) 。到目前为止，这些技术尚未降低高假阳性率，也未克服肿瘤形状、大小和纹理的高度变化。

---

文献中广泛使用的此类模型被认为是卷积神经网络 (CNN) 模型的变体，即 R-CNN、快速 CNN 和更快的 R-CNN 模型 [16]。然而，一种名为 You-Only-LookOnce (YOLO) 的单一模型被建议同时进行检测和分类任务，具有低内存依赖性和快速结果，这使其便于 CAD 应用 [17, 18]。

首先提出使用基于 YOLO 的模型，同时检测当前乳房 X 光检查中的异常病变并将其分类为肿块、钙化或结构扭曲。其次，研究了训练后的模型在先前乳房 X 光检查中定位和标记异常区域的潜在性能，这些区域被报告为正常，但后来在后续筛查中被诊断为异常。

为此，我们的方法使用图像到图像的转换技术，在第一阶段学习乳房 X 光检查对之间的图像映射，从而生成转换后的先前乳房 X 光检查以克服筛查之间的错位，在第二阶段，预测未来病变在早期筛查中出现的位置和性质。

2. 背景

许多研究表明 CAD 系统能够有效地从原始筛查乳房 X 线照片中自动检测可疑病变。神经网络模型的引入改变了 CAD 的方法，用能够学习不同尺度复杂特征的深度学习架构取代了手工提取特征。

最近的研究尝试使用不同的神经网络开发 CAD 模型来快速准确地定位现有病变。Ribli 等人[23] 开发了一种 CAD 系统，使用 Faster R-CNN 模型检测 INbreast 数据集的乳腺病变并将其分类为恶性或良性，并获得 0.95 的 AUC 评分。同样地，Peng 等人[24] 提出了一种结合 Faster R-CNN 架构和多尺度特征金字塔网络的自动肿块检测方法。该研究在 CBIS-DDSM 和 INbreast 数据集上分别取得了 0.93 和 0.95 的真阳性率。该研究在 DDSM 数据集上的检测准确率高达 90%，分类准确率达到 93.5%。在 Li 等人[25] 的另一项研究中，他们使用两个网络介绍了一种双侧肿块检测方法：左右乳房之间的配准网络和 Siamese-Faster-RCNN 网络，用于从已配准的乳房 X 光片对中检测肿块。报告的结果显示，在 INbreast 数据集上的真实阳性率为 0.88，在私有数据集上的真实阳性率为 0.85。Vivek 等人的另一项尝试 [26] 使用了 [27] 中提出的单次检测器 (SSD) 模型，首先定位乳腺肿瘤，然后分割和分类感兴趣的区域。这项工作在 INbreast 数据集上实现了 0.97 的真实阳性率。

随着用于乳房 X 线摄影中物体检测的深度学习架构的进步，YOLO（You-Only-Look-Once）模型已被引入，与最先进的方法相比，它在实现快速准确的检测和分类方面表现出色。Al-masni 等人 [28] 使用基于 YOLO 的模型开发了一个 CAD 系统，在 DDSM 数据集上实现了 85.52% 的检测准确率。此外，Hamed 等人 [29] 提出了一种基于 YOLOV4 的 CAD 系统，可以对完整和裁剪的乳房 X 线摄影中的肿块进行双路径检测，然后将其分类为良性和恶性。该系统的总体检测率为 98%，分类准确率为 95%。在同一背景下，Al-masni 等人 [30] 提出了一个 CAD 系统框架，该系统使用基于 YOLO 的模型在完整图像中检测乳房肿块，总体准确率为 99.7%。因此，Baccouche 等人 [31] 最近提出了一种基于 YOLO 的融合模型来检测乳腺病变并将其分类为肿块或钙化。该工作在 INbreast 数据集上实现了 98.1% 的检测准确率，在 CBIS-DDSM 数据集上实现了 95.7% 的检测准确率

使用基于深度学习的 CAD 系统在乳房 X 线摄影中对乳腺癌进行早期检测和诊断可以通过标记病变来帮助预防肿瘤的发展，从而有效降低死亡率。Timp 等人 [34] 最近