前沿分享 | MRSN：提高全视野乳腺X线图像分类准确性
分享者导读
近日， Medical Image Analysis 杂志以AOP的形式发表了题为“Multi-scale region selection network in deep features for full-field mammogram classification”的文章。该研究提出了一种创新的多尺度区域选择网络（MRSN），进行端到端深度特征训练，旨在提高全视野乳腺X线的分类准确性，以辅助乳腺癌（BC）的早期诊断。MRSN通过在深度特征中筛选出与肿瘤相关的区域，减少了对传统感兴趣区域（ROI）标注的依赖，从而降低了模型训练的成本。该网络首先在不同维度对区域进行评分，以确定肿瘤区域的位置信息，然后选择得分高的区域作为整个图像的特征表示，使模型能够集中注意力于肿瘤区域。研究者们在2个公共数据集和1个私有数据集上进行了实验，结果表明，MRSN在不依赖ROI或分割注释的情况下，实现了最先进的性能。这项研究不仅推动了计算机辅助诊断系统（CAD）的发展，也为未来的BC筛查技术提供了新的方向。
研究背景和目的
BC在女性中的发病率和死亡率均较高，而乳房恶性肿瘤的早期筛查和及时干预能够显著降低患者的死亡率。乳房X线检查具有辐射小、分辨率高等优点，在医院得到广泛应用，逐渐成为早期筛查和诊断的首选方案。乳腺X线图像分类是CAD系统的核心任务。随着深度学习技术的发展，深度卷积神经网络（CNN）在肿瘤区域分类上展现出了巨大潜力，但大多数基于CNN的全视野乳腺X线图像分类方法依赖于ROI或分割注释，这限制了CAD系统的发展，因为获取大量可靠的ROI标注既昂贵又困难。此外，一些不依赖ROI的算法通过多阶段训练或多特征提取器来排除对ROI的依赖，然而这增加了模型的计算量和特征冗余。该研究提出的MRSN通过在深度特征中筛选肿瘤区域的特征信息，减少对ROI或分割注释依赖，以降低模型训练成本，并充分利用CNN的特征提取能力，实现无需ROI或分割注释的全视野乳腺X线图像的端到端训练和分类，以期提高分类性能并减少计算量。
研究方法和数据集
图1 MRSN总体架构图
2）数据集：
该研究共在3个数据集上进行实验，包括2个公开数据集和1个私有数据集： 斯坦福大学收集的CBIS-DDSM数据集，包含753个钙化病例和891个肿块病例，共3,071张全视野数字乳腺X线图像； 来自在葡萄牙波尔图的CHSJ乳腺中心的INbreast数据集，包含115例多视图图像，共410张全视野数字乳房X线图像； 来自山东省肿瘤医院的私有数据集，该私有数据集由214例病例的多视图乳房X线图像组成，共406张图像，其中良性肿瘤113张，恶性肿瘤293张。 所有图像被随机分为80%的训练集和20%的测试集，并确保测试集和训练集之间没有重叠。
研究结果与结论
1）该研究将5次训练的平均结果作为最终结果，并将其与之前最先进的乳房X线图像分类模型进行比较。基于2个公共数据集和1个私有数据集的实验结果，MRSN在不使用ROI的情况下获得了更高的AUC和Acc（ 见表1 ）；
表1 MRSN与既往最先进的模型在不同数据集上的性能比较
2）在私有数据集上进行MRSN和放射科医生诊断性能的比较，MRSN的平均AUC为0.923，优于放射科医生的平均值0.871（ 见图2 ）；为了进一步MRSN进行比较，该研究纳入了准确性、敏感性和特异性作为额外的评估指标，MRSN独立诊断准确性低于放射科医生，但敏感性和特异性更高。值得注意的是，使用MRSN作为辅助诊断在所有指标上都取得了更好的结果，证明了MRSN作为辅助诊断系统的潜在价值（ 见表2 ）；
图2 在私有数据集上MRSN与放射科医生ROC曲线的比较
表2 在私有数据集上MRSN与放射科医生的诊断性能比较
3）通过区域的选择，MRSN限制了大部分与病变无关的区域进入逻辑回归层，使得训练损失仅依赖于模型肿瘤区域的诊断，排除了混杂信息。这表明MRSN可以在不依赖于分割注释和ROI的情况下，对全视野乳腺X线图像中的肿瘤进行选择和粗略定位（ 见图3 ），展示了MRSN在CAD中消除数据依赖、辅助信息评估、获得高属性注释材料的能力；
图3 MRSN在肿瘤区域的定位性能，其中(a)、(b)为恶性钙化病例，(c)、(d)、(e)为恶性肿块病例，(f)为良性病例
表3 在私有数据集上的消融和模块配置实验结果
研究启发
文献来源：
Sun,L. , Han,B. , Jiang,W. , Liu,W. , Liu,B. , Tao,D. , Yu,Z. ,& Li , C.(2025).Multi-scale region selection network in deep features for full-field mammogram classification.Medical Image Analysis,100(),103399. https://doi.org/10.1016/j.media.2024.103399
原文链接： https://www.sciencedirect.com/science/article/pii/S1361841524003244?via%3Dihub
分享者简介
魏梦姣
本硕就读于山东大学齐鲁医学院—临床医学5+3一体化专业（研究方向为甲状腺乳腺疾病的临床及基础研究）； 博士在读于重庆大学智能肿瘤学教育部医药基础研究创新中心（研究方向为乳腺肿瘤学）。 曾参与省重点研发项目，目前已发表文章2篇，以第一作者身份发表文章1篇。
编辑|曾海蓉 李劲
链接：http://www.lewenyixue.com/2024/12/27/%E5%89%8D%E6%B2%BF%E5%88%86%E4%BA%AB%20%7C%20MRSN%EF%BC%9A%E6%8F%90%E9%AB%98%E5%85%A8%E8%A7%86%E9%87%8E%E4%B9%B3%E8%85%BAX/
