乳腺癌是女性最常发生的癌症，占美国202年新诊断的女性癌症的30%。多年来，通过早期发现和筛查，患者的生存率有了很大的提高。乳腺磁共振成像（MRI）是一种成熟的成像方式，已被广泛用于多种临床适应症，包括诊断、术前分期、治疗反应监测和对高危妇女的筛查。

在放射科医生阅读乳腺MRI的临床工作流程中，首要任务是识别可疑的异常情况，然后对异常区域进行定性以做出诊断。考虑到为覆盖整个乳腺而获取的大量图像，放射科医生审查整个数据集是非常耗时的。计算机辅助软件已被开发为一种辅助工具。这些系统（如Merge CADstream, DynaCAD）主要用于生成基本信息，以帮助放射科医生解释图像。例如，减影图像的最大强度投影（MIP）对于定位整个容积中的增强区域是最有价值的，因此往往是第一个审查的图像。然后，放射科医生可以通过翻阅图像来审查所有的图像以找到病变，并根据乳腺成像报告和数据系统（BI-RADS）分级对其进行定性。标准的MRI方案包括动态增强（DCE）MRI序列，可用于生成彩色编码的DCE廓清图和DCE时间过程。这些信息可以一起显示在工作站上进行评估；但是，所有的决定必须由放射科医生做出。

良性和恶性病变有明显的特征，可以用定量的影像参数来描述。在过去的30年里，许多计算机辅助诊断（CAD）系统已经被开发出来以进行鉴别诊断。放射组学分析可以应用于从病变感兴趣区域（ROI）中提取数百个特征，然后应用复杂的统计学方法，包括机器学习算法，选择重要的特征并建立最佳诊断模型。虽然这种方法可以聚焦于可疑病变，但需要确定和分割ROI；因此，在临床实践中不容易实施。此外，有经验的放射科医生可以通过视觉评估达到非常高的准确率，不需要依赖定量特征。

近年来，深度学习也被广泛用于对乳腺MRI进行无监督分析，对病变进行检测和分类，包括良性疾病和恶性癌症的区分以及对分子亚型的预测。卷积神经网络（CNN）是一个流行的架构，可以应用于估计已识别病变的恶性概率。已有研究表明，准确率取决于输入框的大小；因此，要想获得高准确率，需要知道可疑病变的位置和大小。

有研究曾开发了一个使用Mask Reginal-Convolutional Neural Network（R-CNN）的全自动检测模型以及一个使用ResNet50的诊断模型来预测检测到的病变的恶性概率，但许多增强区域被检测为假阳性，因此需要进一步描述。

近日，发表在academic radiology杂志的一项研究应用这两个网络来测试其在临床数据集中的检测和诊断性能，并对其进行分类以促进未来进一步研究开发准确的方法来消除假阳性的发生。

本项研究使用了两个数据集：第一组有176个病例，103个癌症，73个良性。第二组有84个病例，53个癌症，31个良性。在检测时，使用左、右乳腺的预强化图像和减影图像作为输入，因此可以考虑对称性。通过ResNet50对检测到的可疑区域进行定性，并使用三个DCE参数图作为输入。将基于层面的分析结果结合起来，得出基于病灶的诊断。 

在第一个数据集中，103个癌症中的101个被Mask R-CNN检测为可疑，101个中的99个被ResNet50正确分类为乳腺癌，灵敏度为99/103=96%。73个良性病变中的48个和131个正常区域被确定为可疑。经ResNet50分类后，只有16个良性区域和16个正常区域仍为恶性。第二个数据集被用来进行独立测试。灵敏度为43/53=81%。在总共121个确定的非癌症病变中，31个良性病变中只有6个和22个正常组织被归为恶性。

图 通过Mask R-CNN检测到的六个假阳性病例，然后由ResNet50进行分类。所有病理均来自组织学上确认的良性病变，显示出强烈的增强，边界平滑。许多其他的良性病变可以被ResNet50分类网络所排除。在训练数据集中的总共73个良性病变中，只有16个被误诊为癌症

研究数据表明，ResNet50可以消除Mask R-CNN检测到的约80%的假阳性病灶。将Mask R-CNN和ResNet50结合起来，可进一步开发出一个全自动的计算机辅助诊断系统用于MRI上的乳腺癌监测及分类。

原文出处：

Yang Zhang,Yan-Lin Liu,Ke Nie,et al.Deep Learning-based Automatic Diagnosis of Breast Cancer on MRI Using Mask R-CNN for Detection Followed by ResNet50 for Classification.DOI:10.1016/j.acra.2022.12.038