包昌宇，彭俊川，胡楚婷，簡(jiǎn)文靜，王先明△，劉維湘△

(1.深圳大學(xué)醫(yī)學(xué)部生物醫(yī)學(xué)工程學(xué)院，深圳 518055；2.廣東省醫(yī)學(xué)信息檢測(cè)與超聲成像重點(diǎn)實(shí)驗(yàn)室，深圳 518060；3.醫(yī)學(xué)超聲關(guān)鍵技術(shù)國(guó)家地方聯(lián)合工程實(shí)驗(yàn)室，深圳 518060；4.深圳市第二人民醫(yī)院，深圳大學(xué)醫(yī)學(xué)部第一附屬醫(yī)院甲乳外科，深圳 518035)

1 引 言

乳腺腫瘤的癥狀包括疼痛、皮膚增厚、乳頭溢液和乳房大小形狀的改變等，而乳腺腫瘤征象主要包括鈣化、腫塊、結(jié)構(gòu)扭曲和對(duì)稱性征象等。其中，鈣化和腫塊是兩種最為典型的征象，見(jiàn)圖1。對(duì)乳腺腫瘤的治療，早期診斷和篩查尤為重要。在乳腺腫瘤篩查中，乳腺X光鉬靶檢查使用最廣泛，可以發(fā)現(xiàn)多種疾病癥狀，而且射線劑量低，不會(huì)危害女性健康。鉬靶檢查的常規(guī)投照體位為內(nèi)外側(cè)斜位及頭尾位，正確的擺位是獲得高質(zhì)量乳腺鉬靶圖像的基礎(chǔ)[5]。對(duì)于不同的女性，乳房中脂肪組織與結(jié)締組織的比例也不同。當(dāng)乳房中的結(jié)締組織比例較高時(shí)，稱之為“致密性乳腺”。歐美國(guó)家大約有40%的女性屬于偏致密型，而在中國(guó)，這一比例高達(dá)70%[6]。

圖1 兩種典型的X線征象(a).鈣化征象;(b).腫塊征象Fig.1 Two typical X-ray signs

為提高診斷效率和減小誤診風(fēng)險(xiǎn)，針對(duì)乳腺鉬靶圖像開(kāi)發(fā)基于人工智能的計(jì)算機(jī)輔助診斷系統(tǒng)(CAD)顯得尤為重要。在以前的研究中，已經(jīng)證實(shí)CAD系統(tǒng)可以提高醫(yī)生對(duì)乳腺腫瘤診斷的準(zhǔn)確性[7]。為了測(cè)量診斷系統(tǒng)的性能，廣泛使用準(zhǔn)確率、靈敏度和特異度指數(shù)。另外，受試者工作特征曲線也是一種應(yīng)用廣泛的評(píng)估方法，曲線下的面積定義為area under curve(AUC)，可以清晰地說(shuō)明分類器的效果，AUC的值在0.5和1之間，越接近1意味著性能越好。

近年來(lái)深度學(xué)習(xí)技術(shù)[8]發(fā)展迅速，作為一種多層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，能夠模擬人類神經(jīng)網(wǎng)絡(luò)，通過(guò)組合多個(gè)非線性處理層從數(shù)據(jù)集中捕捉到潛在的深層特征，極大減少了人工提取特征的工作量[9]。因此，深度學(xué)習(xí)成為目前進(jìn)行圖像特征提取和分類的主流方法。

基于深度學(xué)習(xí)的乳腺鉬靶圖像分類方法中，一種思路是將感興趣區(qū)域(region of interest，ROI)提取出來(lái)后再進(jìn)行分類。但由于ROI標(biāo)注需要醫(yī)生具備豐富的臨床經(jīng)驗(yàn)，并且該過(guò)程耗時(shí)耗力，所以當(dāng)數(shù)據(jù)量特別大時(shí)，這項(xiàng)工作面臨巨大的挑戰(zhàn)。因此，針對(duì)鉬靶圖像全圖的分類是另一種有效的思路，能夠?yàn)樵撎魬?zhàn)找到一個(gè)突破口。

2 基于深度學(xué)習(xí)的乳腺鉬靶圖像分類方法

2.1 針對(duì)ROI的分類方法

針對(duì)ROI的分類方法，即先從乳腺鉬靶圖像中將ROI提取出來(lái)(包括自動(dòng)檢測(cè)提取和手動(dòng)檢測(cè)提取)，然后再進(jìn)行分類。

Sahiner等[10]最早于1996年將卷積神經(jīng)網(wǎng)絡(luò)(conveolutional nural networks，CNNS)運(yùn)用到乳腺鉬靶圖像的腫塊和正常組織的分類中。他們?cè)O(shè)計(jì)了一個(gè)具有三個(gè)輸入的三層卷積神經(jīng)網(wǎng)絡(luò)，將紋理特征提取方法應(yīng)用于ROI的子區(qū)域，然后將子區(qū)域上計(jì)算的特征排列形成紋理圖像，最后和ROI平均子采樣圖像一起輸入到卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。在分類來(lái)自密歇根大學(xué)放射科168張腫塊圖像和504張正常組織圖像時(shí)的AUC達(dá)到0.87，靈敏度達(dá)到0.9，特異度達(dá)到0.69。表明通過(guò)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)可以在乳腺鉬靶圖像上有效地進(jìn)行腫塊和正常乳房組織的分類。

3.2.2 評(píng)價(jià)方法（1）期末操作考試按健康評(píng)估實(shí)訓(xùn)教學(xué)大綱要求，實(shí)行評(píng)分標(biāo)準(zhǔn)一樣、操作項(xiàng)目一樣、考試時(shí)間一樣，兩組按學(xué)號(hào)抽簽考試，操作滿分為100分，60分為及格，90分以上為優(yōu)秀。實(shí)驗(yàn)組和對(duì)照組平均成績(jī)以Mean表示，采用t檢驗(yàn)；優(yōu)良率采用χ2檢驗(yàn)進(jìn)行統(tǒng)計(jì)學(xué)分析。

Arevalo等[11-12]提出了一個(gè)基于深度學(xué)習(xí)的乳腺腫塊分類框架。他們針對(duì)ROI設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)進(jìn)行監(jiān)督訓(xùn)練，最后提取網(wǎng)絡(luò)的倒數(shù)第二層作為表征，使用支持向量機(jī)進(jìn)行訓(xùn)練。在分類來(lái)自乳腺腫瘤數(shù)字?jǐn)?shù)據(jù)庫(kù)(breast cancer digital repository，BCDR)子集BCDR-F03數(shù)據(jù)集的426張良性腫塊圖像和310張惡性腫塊圖像時(shí)的AUC達(dá)到0.826。

Dhungel等[13]將手工標(biāo)注的腫瘤ROI和分割掩模輸入到卷積神經(jīng)網(wǎng)絡(luò)中，通過(guò)回歸訓(xùn)練使最后全連接層的輸出近似于手工特征，然后在頂層添加softmax層進(jìn)行微調(diào)訓(xùn)練，最后將模型的全連接層輸出作為特征訓(xùn)練隨機(jī)森林分類器。在分類來(lái)自INbreast數(shù)據(jù)集的116張腫塊圖像時(shí)，AUC達(dá)到0.91，準(zhǔn)確率達(dá)到95%。表明該方法與使用手工特征的機(jī)器學(xué)習(xí)模型和未經(jīng)預(yù)訓(xùn)練的深度學(xué)習(xí)模型相比，能夠產(chǎn)生更好的分類結(jié)果。

Sun等[14]開(kāi)發(fā)了一種半監(jiān)督學(xué)習(xí)方案解決腫塊良惡性分類問(wèn)題，該方法只需對(duì)訓(xùn)練集中的小部分?jǐn)?shù)據(jù)進(jìn)行標(biāo)記，通過(guò)標(biāo)記數(shù)據(jù)訓(xùn)練得到的分類器用于未標(biāo)記的數(shù)據(jù)，將共同置信度的數(shù)據(jù)附加到標(biāo)記的數(shù)據(jù)集，然后用這部分?jǐn)?shù)據(jù)去構(gòu)建深度神經(jīng)網(wǎng)絡(luò)。在來(lái)自全視野數(shù)字乳腺X線攝影(full-field eigital mammography)數(shù)據(jù)庫(kù)的1 724張良性腫塊圖像和1 434張惡性腫塊圖像上的AUC達(dá)到0.8818，準(zhǔn)確率達(dá)到82.43%，表明了通過(guò)半監(jiān)督算法使用未標(biāo)記數(shù)據(jù)可以顯著提高系統(tǒng)的性能。

Kooi等[15]在區(qū)分良性腫囊和惡性腫塊的問(wèn)題上同樣使用了深度卷積神經(jīng)網(wǎng)絡(luò)。他們訓(xùn)練一個(gè)類似VGG結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)作為特征提取器，用非線性分類器對(duì)提取的特征進(jìn)行分類訓(xùn)練。在來(lái)自荷蘭一個(gè)篩查項(xiàng)目的1 108張良性腫囊圖像和696張惡性腫塊圖像上的AUC能達(dá)到0.8，表明了在分類良性腫囊和惡性腫塊上卷積神經(jīng)網(wǎng)絡(luò)同樣具有巨大潛力。

Chougrad等[16]在提取ROI后使用VGG16、ResNet50和Inceptionv3三種預(yù)訓(xùn)練好的模型進(jìn)行微調(diào)，從而分類良性腫塊和惡性腫塊。在由DDSM、BCDR-F03和INbreast三個(gè)數(shù)據(jù)集組合的6 116張圖像上進(jìn)行訓(xùn)練，然后在MIAS數(shù)據(jù)集的113張圖像上的準(zhǔn)確率達(dá)到98.23%，AUC達(dá)到0.99，表明了遷移學(xué)習(xí)的重要性。

Yu等[17]同樣通過(guò)深度網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)，對(duì)比了GoogLeNet、AlexNet和CNN3三種模型對(duì)腫塊良惡性分類的性能。在來(lái)自BCDR-F03數(shù)據(jù)集的230張良性腫塊圖像和176張惡性腫塊圖像上進(jìn)行實(shí)驗(yàn)，發(fā)現(xiàn)三種模型之中GoogLeNet表現(xiàn)最佳，AUC達(dá)到0.88，準(zhǔn)確率達(dá)到81%，同樣表明了遷移學(xué)習(xí)可以改善乳腺腫瘤的診斷。

Morrell等[18]提出了一個(gè)神經(jīng)網(wǎng)絡(luò)架構(gòu)，采用基于區(qū)域的完全卷積網(wǎng)絡(luò)(region-based fully convolutional networks，R-FCN)和可變形卷積網(wǎng)絡(luò)。該框架選擇R-FCN獲取圖像豐富的邊界框信息，提取出候選ROI后使用可變形位置敏感得分來(lái)生成每類的概率，在包含130 000個(gè)隱藏圖像的DREAMS挑戰(zhàn)中實(shí)現(xiàn)了0.879的AUC。

以上針對(duì)ROI的分類方法，大多涉及到病灶檢測(cè)提取階段，一種是手動(dòng)病灶提取，另一種是自動(dòng)病灶提取。手動(dòng)病灶提取的分類效果要優(yōu)于自動(dòng)病灶提取，但該過(guò)程耗時(shí)耗力，需要工作人員具備豐富的臨床知識(shí)。

2.2 針對(duì)全圖的分類方法

針對(duì)全圖的分類方法，即根據(jù)整張圖像的整體特征信息進(jìn)行性質(zhì)分類。Zhu等[19]提出了基于全圖的端對(duì)端深度多示例網(wǎng)絡(luò)用于腫塊良惡性分類，并探索了三種不同的多示例學(xué)習(xí)方案，證明了稀疏多示例學(xué)習(xí)更加靈活。在INbreast數(shù)據(jù)集上的AUC達(dá)到了0.8586，準(zhǔn)確率達(dá)到了90%，證明了多示例方法即使在訓(xùn)練中沒(méi)有檢測(cè)和分割標(biāo)注也能發(fā)揮出強(qiáng)大的性能。

Shen等[20]也開(kāi)發(fā)了一種端到端的全圖乳腺腫瘤診斷算法，該算法使用了全卷積設(shè)計(jì)。他們先是訓(xùn)練5分類(包括背景、良性鈣化、惡性鈣化、良性腫塊和惡性腫塊)圖像塊分類器，然后通過(guò)在圖像塊分類器的頂層添加卷積層以及修改輸入的大小將圖像塊分類器轉(zhuǎn)化成全圖分類器，并且該全圖分類器可以在僅使用少量訓(xùn)練數(shù)據(jù)而不需要病變注釋的情況下遷移到其他數(shù)據(jù)集，從而實(shí)現(xiàn)了鉬靶圖像良惡性二分類。在CBIS-DDSM數(shù)據(jù)集上的AUC達(dá)到了0.88，而通過(guò)遷移學(xué)習(xí)在INbreast數(shù)據(jù)集上的AUC達(dá)到了0.96，表明了通過(guò)不依賴ROI標(biāo)注的端到端方式訓(xùn)練的深度學(xué)習(xí)模型可以實(shí)現(xiàn)準(zhǔn)確的全圖乳腺腫瘤診斷。

Lotter等[21]介紹了一個(gè)多尺度卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練策略。他們先是使用ResNet在鈣化和腫塊兩個(gè)不同尺度的圖像上單獨(dú)訓(xùn)練圖像塊分類器，然后將訓(xùn)練好的圖像塊分類器作為特征提取器，以滑動(dòng)窗口的方式，提取每張圖像的最后一層特征，并在全局平均池化后進(jìn)行連接，最后針對(duì)良惡性進(jìn)行端到端的圖像級(jí)訓(xùn)練，在DDSM數(shù)據(jù)集上的AUC達(dá)到了0.92，表明了多尺度框架選擇對(duì)于分類性能發(fā)揮著重要作用。

張娟等[22]提出了將卷積受限玻爾茲曼機(jī)模型用于解決鉬靶圖像正常、良性和惡性三分類問(wèn)題的方法，并且采用改進(jìn)的快速持續(xù)對(duì)比散度算法對(duì)模型進(jìn)行訓(xùn)練，在MIAS數(shù)據(jù)集上能達(dá)到88.63%的準(zhǔn)確率和0.8912的精度。

Zhang等[23-24]將數(shù)據(jù)擴(kuò)增、遷移學(xué)習(xí)和CNN模型相結(jié)合，從而訓(xùn)練出針對(duì)鉬靶全圖的分類模型，并且發(fā)現(xiàn)對(duì)2D圖像的分類效果要優(yōu)于3D圖像。

Geras等[25]則建議使用多視圖深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)處理高分辨率的鉬靶圖像。他們構(gòu)建了一個(gè)多尺度深度卷積神經(jīng)網(wǎng)絡(luò)，在第一階段將許多卷積層和池化層分別應(yīng)用于每個(gè)視圖，然后把這些視圖的表征連接成一個(gè)向量，在第二階段將這些向量輸入到全連接層，最后添加一個(gè)softmax層進(jìn)行分類。在來(lái)自紐約大學(xué)醫(yī)學(xué)院數(shù)據(jù)集的886 437張圖像上，AUC達(dá)到0.733，證明了多視圖神經(jīng)網(wǎng)絡(luò)可以輸入一組圖像，分類性能隨著樣本量的增加而提高，只有使用原始分辨率才能實(shí)現(xiàn)最佳性能。

Carneiro等[26-27]在研究中也發(fā)現(xiàn)多視圖相比單視圖，分類性能可以得到明顯改進(jìn)。他們先使用卷積神經(jīng)網(wǎng)絡(luò)給一側(cè)乳腺的兩個(gè)視圖以及對(duì)應(yīng)的鈣化和腫塊掩模分別訓(xùn)練，得到六個(gè)模型，然后提取六個(gè)模型的最后一個(gè)全連接層特征來(lái)訓(xùn)練最終的CNN分類模型。在來(lái)自INberast數(shù)據(jù)集的410張圖像和DDSM數(shù)據(jù)集的680張圖像上實(shí)驗(yàn)，對(duì)于手動(dòng)病灶標(biāo)注，良惡性二分類的AUC均超過(guò)0.9。后期他們改進(jìn)了網(wǎng)絡(luò)設(shè)計(jì)，在多視圖網(wǎng)絡(luò)輸入上對(duì)比了2D和3D兩種輸入形式， 2D模型輸入為六張圖像，包括兩個(gè)視圖以及對(duì)應(yīng)視圖的鈣化和腫塊掩模圖像；3D模型輸入為兩張分別由CC位或是MLO位以及對(duì)應(yīng)視圖的鈣化和腫塊掩模疊加構(gòu)成的圖像。對(duì)于手動(dòng)病灶檢測(cè)，在INbreast數(shù)據(jù)集和DDSM數(shù)據(jù)集上的AUC均超過(guò)0.9。此外，在INbreast數(shù)據(jù)集上的特異度達(dá)到0.92，靈敏度達(dá)到0.69，而在DDSM數(shù)據(jù)集上的特異度達(dá)到0.97，靈敏度達(dá)到0.94。

Dhungel等[28]提出了一種多視圖深度殘差神經(jīng)網(wǎng)絡(luò)(multi-view deep residual neural network，mResNet))。該方法由一組深度殘差網(wǎng)絡(luò)組成，輸入同樣為六張圖像，即一側(cè)乳腺兩個(gè)視圖以及對(duì)應(yīng)視圖的鈣化和腫塊掩模圖像，然后通過(guò)連接每個(gè)ResNet的輸出以及在最后添加全連接層，形成mResNet，以端到端的形式進(jìn)行訓(xùn)練。在INbreast數(shù)據(jù)集上AUC達(dá)到0.8。同樣表明了將兩種視圖與病灶分割掩模結(jié)合起來(lái)，可以合理準(zhǔn)確地分類乳腺鉬靶圖像。

除了乳腺鉬靶圖像的良惡性分類研究，在乳腺組織密度分類問(wèn)題上，F(xiàn)onseca等[29]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的自動(dòng)分類方法。該方法使用HT-L3卷積網(wǎng)絡(luò)提取圖像的高維特征，然后使用SVM進(jìn)行分類訓(xùn)練。在從秘魯立馬兩個(gè)醫(yī)療中心1 157名受試者采集的數(shù)據(jù)上實(shí)驗(yàn)，準(zhǔn)確率達(dá)到73.05%，kappa值達(dá)到0.5813，表明在乳腺組織密度分類上，卷積神經(jīng)網(wǎng)絡(luò)方法也能夠展示出十分有意義的結(jié)果。

相比針對(duì)ROI的分類方法，針對(duì)全圖的分類方法有著較為明顯的優(yōu)勢(shì)。該方法通過(guò)對(duì)全局圖像提取特征來(lái)完成分類工作，能夠?qū)崿F(xiàn)對(duì)乳腺鉬靶圖像的全局表征，無(wú)需再考慮各類病灶的結(jié)構(gòu)信息，從而有效地避免了復(fù)雜的特征提取工作。但是該方法也同樣存在缺點(diǎn)，一方面其在臨床解釋性上表現(xiàn)較弱，無(wú)法準(zhǔn)確指出病灶具體所在區(qū)域，另一方面由于其特征提取方法的單一性，易造成對(duì)多種病灶的描述性不足。

3 乳腺鉬靶圖像數(shù)據(jù)集介紹

隨著乳腺腫瘤的輔助診斷越來(lái)越受到關(guān)注，對(duì)數(shù)據(jù)的需求也越來(lái)越大，研究人員在乳腺鉬靶圖像上進(jìn)行分類實(shí)驗(yàn)，一種是基于自有的數(shù)據(jù)，另一種則是基于現(xiàn)有的公共數(shù)據(jù)集。自有數(shù)據(jù)一般比較雜亂，可能還缺乏專家的標(biāo)記或注釋，病灶表述上也存在描述不確切的問(wèn)題。而公共數(shù)據(jù)集由于成像設(shè)備不一致，成像質(zhì)量及數(shù)據(jù)量存在很大差異，同一方法在不同數(shù)據(jù)集上可能會(huì)得到不同的效果。我們介紹了目前常用的乳腺鉬靶圖像公共數(shù)據(jù)集。

3.1 DDSM數(shù)據(jù)集

DDSM數(shù)據(jù)集[30]是來(lái)自美國(guó)放射學(xué)會(huì)(American college of radiology，ACR)的一個(gè)數(shù)據(jù)集。該數(shù)據(jù)集包含2 620例患者的10 480張圖像，包括了大量正常數(shù)據(jù)和癌癥患者數(shù)據(jù)，每例患者包含四個(gè)視圖的鉬靶圖像，圖像格式為L(zhǎng)JPEG格式，并且圖像具有多種分辨率。此外，該數(shù)據(jù)還提供了患者篩查的相關(guān)信息，以及由專業(yè)放射科醫(yī)生給定的ACR乳房密度、病灶的乳腺影像報(bào)告和數(shù)據(jù)系統(tǒng)(breast imaging reportingand data system，BI-RADS)分級(jí)和異常區(qū)域的分割金標(biāo)準(zhǔn)。CBIS-DDSM數(shù)據(jù)集[31]則是轉(zhuǎn)換為DICOM格式的DDSM數(shù)據(jù)集子集，由1 249例患者的2 584張圖像組成，其中753例包含鈣化，分別包括414例良性鈣化和339例惡性鈣化；891例包含腫塊，分別包括472例良性腫塊和419例惡性腫塊。

3.2 INbreast數(shù)據(jù)集

INbreast數(shù)據(jù)集[32]是來(lái)自葡萄牙的一個(gè)數(shù)據(jù)集。該數(shù)據(jù)集由115例患者的410張圖像組成，其中90例包含四個(gè)視圖的圖像，25例乳房切除手術(shù)患者包含一側(cè)乳房?jī)蓚€(gè)視圖的圖像，圖像格式為DICOM格式，圖像分辨率有3 328×4 084像素和2 560×3 328像素兩種。該數(shù)據(jù)集給出了精確的病灶注釋(包括病灶分割金標(biāo)準(zhǔn)和BI-RADS分級(jí))，同時(shí)提供了患者篩查的相關(guān)信息和ACR乳房密度標(biāo)注，以及專家對(duì)結(jié)果的準(zhǔn)確評(píng)估。該數(shù)據(jù)集具有廣泛的病例變異性，包括了腫塊、鈣化、不對(duì)稱和紊亂幾種類型的病變。

3.3 MIAS數(shù)據(jù)集

MIAS數(shù)據(jù)集[33]是來(lái)自英國(guó)的一個(gè)數(shù)據(jù)集。該數(shù)據(jù)集包含161例患者的322張乳腺鉬靶圖像，其中正常圖像為54張，良性圖像為66張，惡性圖像為54張，圖像格式為PGM格式，圖像分辨率為1 024×1 024像素，且所有圖像均為MLO位視圖。此外，該數(shù)據(jù)集還給出了異常位置的中心點(diǎn)及半徑值。

3.4 BCDR數(shù)據(jù)集

BCDR數(shù)據(jù)集[34]是由葡萄牙波爾圖大學(xué)圣若昂醫(yī)學(xué)院提供的一個(gè)DICOM格式數(shù)據(jù)集。該數(shù)據(jù)集包含1 010個(gè)病例的相關(guān)臨床資料和3 703張圖像，圖像分辨率為720×1 168，同時(shí)還提供了分割金標(biāo)準(zhǔn)，以及分割病灶的BI-RADS分級(jí)。BCDR-F03是由良性和惡性腫塊圖像構(gòu)成的二分類BCDR子集，包含344例患者的736張腫塊圖像，其中426張為良性腫塊，310張為惡性腫塊，該數(shù)據(jù)集在針對(duì)ROI的腫塊分類實(shí)驗(yàn)上使用比較廣泛。

4 總結(jié)與展望

近幾年，研究人員一直致力于開(kāi)發(fā)基于人工智能的CAD系統(tǒng)，從而輔助醫(yī)生提高診斷水平。隨著深度學(xué)習(xí)的崛起，基于神經(jīng)網(wǎng)絡(luò)的圖像分析也受到到越來(lái)越多的關(guān)注，把深度神經(jīng)網(wǎng)絡(luò)應(yīng)用到乳腺鉬靶圖像的分類上，能夠取得非常不錯(cuò)的效果。無(wú)論是針對(duì)ROI的方法還是針對(duì)全圖的方法，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法已經(jīng)成為了分類的熱門技術(shù)。研究證明，在乳腺鉬靶圖像的大數(shù)據(jù)集上訓(xùn)練CNN形式的深度學(xué)習(xí)模型，已經(jīng)超越了計(jì)算機(jī)輔助檢測(cè)最先進(jìn)的系統(tǒng)[35]。盡管如此，該技術(shù)仍然面臨著不少挑戰(zhàn)。

使用深度學(xué)習(xí)的方法，意味著大量的計(jì)算，一方面網(wǎng)絡(luò)內(nèi)部本身參數(shù)眾多，另一方面鉬靶圖像具有高分辨率，這對(duì)設(shè)備內(nèi)存和時(shí)間的要求非常高。因此，可以考慮使用輕量級(jí)網(wǎng)絡(luò)解決該問(wèn)題。同時(shí)，大量的數(shù)據(jù)需求也是該方法面臨的一個(gè)巨大難題。針對(duì)小數(shù)據(jù)集，深度遷移學(xué)習(xí)和小樣本學(xué)習(xí)是不錯(cuò)的選擇。此外，現(xiàn)有的公共數(shù)據(jù)集幾乎均來(lái)自歐美國(guó)家，而中國(guó)女性的乳房密度和歐美女性有較大差異，建立國(guó)人的公共數(shù)據(jù)集勢(shì)在必行。在未來(lái)的研究中，研究人員需要找到更可靠有效的方法去實(shí)現(xiàn)深度學(xué)習(xí)與CAD系統(tǒng)的完美結(jié)合，從而進(jìn)一步提高系統(tǒng)的輔助診斷水平。