多项研究显示，乳腺钼靶检查可以通过早期发现病变而降低乳腺癌的死亡率。然而，对于以脂肪为主的乳腺组织的患者来说，检测癌症的敏感性从80%以上下降到30%，而对于那些乳腺致密的患者来说亦是如此。隐藏在致密纤维腺体组织后面的病变更难发现，而这些病变往往被误认为是组织重叠。鉴于致密乳腺女性患癌症的风险较高，这个问题就显得尤为重要。研究表明，被周围纤维腺体组织掩盖的癌症在漏诊的癌症中占了很大的比例。

传统的放射科住院医师培训集中在3个基本原则，以检测此类乳腺癌病变。首先，乳腺钼靶通常显示一定的强度范围，可以由检查研究的放射科医生手动改变以适应特定的乳腺组织。其次，两个乳腺的乳腺钼靶图像总是一起观察。因此，两边的任何不对称性都可以被仔细检查。最后，由于密度差异不能帮助检测致密乳腺中的病变发现，放射科医生依靠检测乳腺组织结构的扭曲作为潜在肿块的指标。

深度学习技术在乳腺钼靶的癌症检测中得到了很好的研究，许多研究者报告了出色的结果。然而据我们所知，没有一个研究者专门尝试分析这些网络在致密乳腺的等密度/不明显的肿块上的表现，或设计适合在这种乳腺中检测癌症的网络。

近日，发表在European Radiology杂志上的一篇研究分析了最先进的（SOTA）网络在等密度、不明显的肿块和致密乳腺中的表现，并设计了一个将传统乳腺钼靶教学纳入网络设计的网络，并将研究的方法与其他作者所采取的方法进行了比较，同时探讨了研究所提出的网络在诊断性乳腺检查以及筛查性乳腺检查分布中的准确性。

本项研究为一项回顾性的、单机构的、多中心的研究。对于模型的建立，研究采取了三管齐下的方法。首先，研究明确地教导网络学习密度差异以外的特征：如痉挛和结构变形。第二，研究使用相反的乳腺来实现对不对称的检测。第三，研究通过片断-线性变换系统地增强了每张图像。最终在一个诊断性乳腺造影数据集（2569张图像，有243个癌症，2018年1月至6月）和一个来自不同中心的筛查性乳腺造影数据集（2146张图像，有59个癌症，2021年1月至4月招募的病人）上测试了该网络（外部验证）。 

当用研究提出的技术进行训练时（并与基线网络进行比较），在诊断性乳腺钼靶数据集中，每幅图像0.2个假阳性（FPI）时，恶性肿瘤的敏感性从82.7％提高到84.7％，在致密乳腺患者子集中为67.9％至73.8％，在等密度/不明显癌症患者子集中为74.6％至85.3％，在具有筛选乳腺钼靶分布的外部验证测试集中为84.9至88.7。研究表明，在一个公共基准数据集（INBreast）上，研究的灵敏度超过了目前的报告值（0.2 FPI时为0.90）。 

图  图像的阈值显示所有脂肪的强度为0，所有纤维腺体组织的强度为255。在这些图像中检测恶性肿瘤依赖于形状和结构的变化，并将重点从密度差异中转移出来

本项研究表明，将传统的乳腺钼靶建模到DL框架中将有助于提高致密乳腺患者的癌症检测准确性。

原文出处：

Krithika Rangarajan,Pranjal Agarwal,Dhruv Kumar Gupta,et al.Deep learning for detection of iso-dense, obscure masses in mammographically dense breasts.DOI:10.1007/s00330-023-09717-7

Tags： European Radiology：深度学习在乳腺钼靶中检测乳腺癌的价值