聶貞慧，劉麗東，蘇丹柯

(廣西醫(yī)科大學(xué)附屬腫瘤醫(yī)院醫(yī)學(xué)影像中心，廣西 南寧 530021)

乳腺X線攝影作為乳腺癌的重要檢查手段廣泛應(yīng)用于臨床，但在乳腺X線片上，可疑乳腺癌病變通常與致密纖維腺體組織相互重疊，導(dǎo)致X線診斷乳腺癌的假陰性率較高。近20年來(lái)，基于機(jī)器學(xué)習(xí)的計(jì)算機(jī)輔助診斷(computer aided diagnosis，CAD)快速發(fā)展，使影像科醫(yī)師的診斷效率及準(zhǔn)確率顯著提高[1]。深度學(xué)習(xí)是近年來(lái)機(jī)器學(xué)習(xí)的熱點(diǎn)，具有易學(xué)、通用及高效的優(yōu)點(diǎn)，適用于CAD。本文對(duì)深度學(xué)習(xí)在X線診斷乳腺癌中的研究進(jìn)展進(jìn)行綜述。

1 深度學(xué)習(xí)及其模型概述

深度學(xué)習(xí)被《麻省理工科技評(píng)論》(MIT Technology Review)稱為2017年重要的突破性科學(xué)技術(shù)之一。深度學(xué)習(xí)是由多個(gè)處理層組成的計(jì)算模型，其中每層均為典型的神經(jīng)網(wǎng)絡(luò)，通過(guò)反向傳播算法學(xué)習(xí)具有多個(gè)抽象級(jí)別的數(shù)據(jù)。在深度學(xué)習(xí)模型中，由低層神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)和提取有效的圖像特征，隨后根據(jù)較高層神經(jīng)網(wǎng)絡(luò)提取的特征將圖像分為不同的目標(biāo)類別，發(fā)揮分類器的作用。與傳統(tǒng)機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)能夠自動(dòng)從原始輸入數(shù)據(jù)中學(xué)習(xí)分層特征，具有較傳統(tǒng)分類器更高的分類性能[2]。目前，應(yīng)用于圖像分析的深度學(xué)習(xí)網(wǎng)絡(luò)主要包括卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)、深信度網(wǎng)絡(luò)(deep belief networks，DBN)、多層反饋循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)及上述學(xué)習(xí)網(wǎng)絡(luò)的改進(jìn)模型[3]。深度學(xué)習(xí)最初用于計(jì)算機(jī)語(yǔ)音、圖像識(shí)別等領(lǐng)域，近年來(lái)逐漸應(yīng)用于醫(yī)學(xué)領(lǐng)域，如肺部微小結(jié)節(jié)分類[4]以及預(yù)測(cè)膠質(zhì)瘤患者生存時(shí)間[5]等。

2 深度學(xué)習(xí)應(yīng)用于X線診斷乳腺癌的步驟

深度學(xué)習(xí)用于X線診斷乳腺癌主要包括5個(gè)基本步驟，分別為數(shù)據(jù)集選擇、圖像處理、預(yù)訓(xùn)練、病變檢測(cè)與分割、特征提取與病變分類。

2.1 數(shù)據(jù)集選擇和圖像處理 用于深度學(xué)習(xí)模型訓(xùn)練的乳腺X線片通常來(lái)源于公共數(shù)據(jù)集或私人數(shù)據(jù)集。常用的公共數(shù)據(jù)集包括乳腺X線攝影數(shù)字化數(shù)據(jù)庫(kù)、全數(shù)字化乳腺X線攝影數(shù)據(jù)庫(kù)等[6]，不僅數(shù)據(jù)量充足，且包含詳細(xì)的圖像信息及精確的專家注釋，為訓(xùn)練和驗(yàn)證深度學(xué)習(xí)模型提供數(shù)據(jù)保障。非公開的私人數(shù)據(jù)集的數(shù)據(jù)選擇較前者更靈活，可以根據(jù)研究目的構(gòu)建相應(yīng)的X線攝影數(shù)據(jù)集，但因私人數(shù)據(jù)集的建立通常未遵循統(tǒng)一標(biāo)準(zhǔn)，可能影響模型之間性能的比較。此外，選取私人數(shù)據(jù)集時(shí)，其研究對(duì)象通常存在一定的局限，如僅對(duì)包含異常征象的乳腺X線片進(jìn)行訓(xùn)練而忽視正常乳腺，可能導(dǎo)致測(cè)試結(jié)果產(chǎn)生偏差[7]。

模型訓(xùn)練之前對(duì)圖像進(jìn)行一定的預(yù)處理，可以提高訓(xùn)練結(jié)果的準(zhǔn)確性。當(dāng)訓(xùn)練集數(shù)據(jù)量不充足時(shí)，可通過(guò)對(duì)圖像進(jìn)行幾何變換(如旋轉(zhuǎn)、平移、縮放)或增加噪聲等技術(shù)手段進(jìn)行擴(kuò)增[8]，使圖像數(shù)據(jù)集增至1 000倍以上，以保證數(shù)據(jù)量充足，避免發(fā)生過(guò)擬合現(xiàn)象。此外，預(yù)處理可降低計(jì)算的復(fù)雜性、提升訓(xùn)練速度，如Qiu等[9]使用傳統(tǒng)平均方法將每個(gè)ROI從512×512像素縮小至64×64像素下采樣，Mohamed等[10]將直方圖均衡化應(yīng)用于所有圖像作為預(yù)處理步驟，以校準(zhǔn)圖像對(duì)比度。

2.2 預(yù)訓(xùn)練 預(yù)訓(xùn)練模型為解決相似目標(biāo)任務(wù)而建立，構(gòu)建模型時(shí)可僅針對(duì)模型中的數(shù)層結(jié)構(gòu)進(jìn)行微調(diào)，避免對(duì)整個(gè)模型結(jié)構(gòu)進(jìn)行訓(xùn)練。研究[11]表明，預(yù)訓(xùn)練不僅可顯著縮短運(yùn)算時(shí)間，還能提高對(duì)乳腺X線片的分類效率。通常由遷移學(xué)習(xí)完成數(shù)據(jù)預(yù)訓(xùn)練。首先選擇在圖像識(shí)別可視化數(shù)據(jù)庫(kù)(ImageNet)等大型數(shù)據(jù)集上進(jìn)行訓(xùn)練，為之后的深度學(xué)習(xí)模型訓(xùn)練提供參數(shù)優(yōu)化，并增加圖像細(xì)節(jié)信息；然后將預(yù)訓(xùn)練模型相應(yīng)的結(jié)構(gòu)和權(quán)重直接應(yīng)用于目標(biāo)任務(wù)中[12]。

2.3 病變檢測(cè)與分割檢測(cè) 病變是決定深度學(xué)習(xí)模型精度的關(guān)鍵環(huán)節(jié)，通常由3個(gè)階段組成：首先使用圖像濾波器檢測(cè)候選區(qū)域，劃定ROI；隨后利用支持向量機(jī)、線性判別分析等不同類型的分類器消除檢測(cè)的假陽(yáng)性結(jié)果；最后采用貝葉斯優(yōu)化[13]等細(xì)化步驟，改進(jìn)所劃定的ROI邊框的尺寸和定位，以降低圖像重疊率，實(shí)現(xiàn)對(duì)病灶形狀、大小和密度變化的穩(wěn)健建模，提高檢測(cè)精度。

從乳腺X線片中準(zhǔn)確分割病變是深度學(xué)習(xí)模型開發(fā)的另一關(guān)鍵技術(shù)[9]，分割的準(zhǔn)確性直接影響下一步病灶分類的性能，其影響因素包括腫塊形狀及大小、圖像SNR等。目前用于分割病變的方法主要包括閾值法、馬爾可夫隨機(jī)場(chǎng)[14]及具有強(qiáng)大形狀先驗(yàn)功能的水平集方法。Dubrovina等[15]采用閾值法對(duì)乳腺X線片中的乳頭、胸肌、纖維腺體組織及皮膚進(jìn)行分割，顯示出良好的組織分割性能。此外，Chan等[16]將水平集方法用于分割細(xì)化階段，將圖像調(diào)整至高分辨率進(jìn)行輸入，便于組織劃分。

2.4 特征提取與病變分類 深度學(xué)習(xí)利用模式識(shí)別的方法，從大量乳腺X線片原始數(shù)據(jù)中提取數(shù)字化特征，并在此基礎(chǔ)上進(jìn)行數(shù)據(jù)挖掘。不同于醫(yī)師解讀的圖像特征，深度學(xué)習(xí)提取包含一階、二階和更高階的數(shù)據(jù)特征，包括病變大小、形狀、位置、灰度直方圖等低級(jí)別特征及根據(jù)病變分布計(jì)算出的紋理、小波、分形維度等高級(jí)別特征。病變分類過(guò)程中，通常將這些提取的特征作為模型輸入，然后基于支持向量機(jī)或多層感知器等傳統(tǒng)機(jī)器學(xué)習(xí)方法對(duì)病變進(jìn)行分類[17]。Jiao等[18]從卷積層中自動(dòng)提取腫塊的不同深度特征，并對(duì)圖像進(jìn)行分類，結(jié)果顯示其對(duì)病變的分類準(zhǔn)確率與醫(yī)師診斷結(jié)果相當(dāng)，提示該方法能夠較好地模擬醫(yī)師的診斷過(guò)程。

3 深度學(xué)習(xí)在乳腺癌X線診斷中的研究現(xiàn)狀

腫塊邊緣、形態(tài)、密度及微鈣化形態(tài)、分布均是乳腺X線攝影診斷乳腺癌的重要征象。針對(duì)這些征象開發(fā)單一或組合的深度學(xué)習(xí)模型，可用于輔助乳腺X線攝影診斷乳腺癌。目前深度學(xué)習(xí)在X線診斷乳腺癌中的應(yīng)用主要包括乳腺腫塊分類、微鈣化檢測(cè)及早期預(yù)測(cè)乳腺癌風(fēng)險(xiǎn)等。

3.1 乳腺腫塊分類 對(duì)乳腺腫塊進(jìn)行分類是深度學(xué)習(xí)在X線診斷乳腺癌中最為廣泛的研究方向之一。1996年，Sahiner等[19]將深度學(xué)習(xí)網(wǎng)絡(luò)應(yīng)用于X線攝影檢測(cè)乳腺腫塊與分類，驗(yàn)證了在乳腺X線攝影中應(yīng)用CNN的可行性。隨著對(duì)乳腺X線攝影深度學(xué)習(xí)模型的不斷完善和改進(jìn)，自動(dòng)學(xué)習(xí)腫塊特征方法的分類性能明顯提高，且可在未行預(yù)訓(xùn)練的情況下直接將特征用于模型的分類階段[20]。Kooi等[21]開發(fā)了一種在乳腺X線攝影中區(qū)分良性孤立性囊腫和惡性腫塊的模型，通過(guò)采用組織增強(qiáng)的方法對(duì)重疊組織實(shí)現(xiàn)穩(wěn)定分類，準(zhǔn)確率高達(dá)80%，接近于光譜乳腺X線攝影的性能?？傊?，基于深度學(xué)習(xí)對(duì)乳腺腫塊進(jìn)行分類有助于早期識(shí)別良惡性病變，提高腫塊分類的準(zhǔn)確性，減少二次檢查或穿刺活檢，為惡性病變患者贏得最佳臨床治療時(shí)機(jī)并改善其預(yù)后。

3.2 微鈣化檢測(cè) 微鈣化在檢測(cè)和診斷乳腺癌中具有重要價(jià)值。Chan等[22]于1995年首次應(yīng)用CNN檢測(cè)微鈣化簇，但由于數(shù)據(jù)量有限，僅顯示CNN可降低假陰性率，并不能基于微鈣化對(duì)病變進(jìn)行明確的良惡性分類。Bekker等[23]通過(guò)對(duì)2個(gè)攝影方位的乳腺X線片進(jìn)行單獨(dú)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，再組合成單神經(jīng)元層進(jìn)行整體決策，使微鈣化的分類準(zhǔn)確率至少提升12%。Samala等[24]探討不同卷積層結(jié)構(gòu)對(duì)分類性能的影響，以對(duì)微鈣化分類模型進(jìn)行篩選，結(jié)果顯示增加卷積層中過(guò)濾器數(shù)量可明顯提高微鈣化分類的準(zhǔn)確性。Wang等[25]采用堆疊去噪自動(dòng)編碼器同時(shí)檢測(cè)乳腺X線片中的腫塊和微鈣化點(diǎn)，用以評(píng)估深度學(xué)習(xí)模型在大數(shù)據(jù)集中的分類性能，使檢出微鈣化的敏感度顯著提高，對(duì)早期發(fā)現(xiàn)乳腺癌及其準(zhǔn)確分期具有重要指導(dǎo)意義。隨著深度學(xué)習(xí)模型的開發(fā)，微鈣化的分類準(zhǔn)確性有望進(jìn)一步提高。

3.3 早期預(yù)測(cè)乳腺癌風(fēng)險(xiǎn) 早期預(yù)測(cè)乳腺癌風(fēng)險(xiǎn)對(duì)指導(dǎo)篩查高危人群及評(píng)估受試者是否需要接受干預(yù)性化療或手術(shù)具有重要作用。Wang等[26]將風(fēng)險(xiǎn)預(yù)測(cè)模塊應(yīng)用于X線診斷乳腺癌，結(jié)果顯示該模型預(yù)測(cè)乳腺癌的準(zhǔn)確率達(dá)71.4%，提示深度學(xué)習(xí)對(duì)開發(fā)早期預(yù)測(cè)乳腺癌風(fēng)險(xiǎn)模型具有巨大潛力。Li等[27]構(gòu)建具有遷移學(xué)習(xí)的CNN模型，以區(qū)分乳腺癌高風(fēng)險(xiǎn)與低風(fēng)險(xiǎn)人群，并在456名包含正常及2種風(fēng)險(xiǎn)人群的數(shù)據(jù)集中進(jìn)行測(cè)試，發(fā)現(xiàn)與傳統(tǒng)紋理分析對(duì)比，該模型具有更好的提取特征及區(qū)分癌癥風(fēng)險(xiǎn)人群的性能。Sun等[28]對(duì)每個(gè)圖像劃定的ROI進(jìn)行DNN訓(xùn)練，并基于所有ROI的總風(fēng)險(xiǎn)評(píng)分做出最終預(yù)測(cè)，結(jié)果表明該模型診斷乳腺癌的AUC達(dá)0.72，提示此法有望使深度學(xué)習(xí)模型用于有限數(shù)據(jù)量早期預(yù)測(cè)乳腺癌風(fēng)險(xiǎn)。

4 挑戰(zhàn)與展望

深度學(xué)習(xí)在乳腺X線攝影領(lǐng)域發(fā)展迅猛，但其未來(lái)發(fā)展仍面臨巨大挑戰(zhàn)。首先，建立統(tǒng)一的乳腺X線攝影數(shù)據(jù)庫(kù)十分困難，需要多個(gè)單位的配合并制定規(guī)范統(tǒng)一的標(biāo)準(zhǔn)；其次，巨大的神經(jīng)網(wǎng)絡(luò)參數(shù)量影響運(yùn)算速度，需在保證診斷準(zhǔn)確率的前提下不斷完善網(wǎng)絡(luò)結(jié)構(gòu)，提升運(yùn)算速度；再次，深度學(xué)習(xí)模型在未來(lái)的不斷發(fā)展離不開影像科醫(yī)師和計(jì)算機(jī)專家的通力合作，需要對(duì)現(xiàn)有研究適時(shí)改進(jìn)，不斷優(yōu)化模型結(jié)構(gòu)。盡管存在諸多困難，但深度學(xué)習(xí)近年來(lái)的飛速發(fā)展不斷拓展著醫(yī)學(xué)影像學(xué)的邊界，有望在不久的將來(lái)實(shí)現(xiàn)深度學(xué)習(xí)在X線診斷乳腺癌中的有效應(yīng)用，成為影像科醫(yī)師閱片、診斷的有力助手。