基于 YOLOv5 和深度可分离卷积神经网络的两阶段轻量级深度学习框架用于乳腺肿块检测与分割

为解决医学数据隐私与乳腺癌分割难题，研究人员提出两阶段轻量级模型，检测和分割性能优异，可用于浏览器端。

　　

乳腺癌检测的挑战与新突破

乳腺癌，无疑是女性健康的一大 “劲敌”。在美国，每 30% 新确诊的女性癌症病例中，乳腺癌就占了相当大的比例，2023 年更是预估有 43700 人因它失去生命。虽说乳腺 X 光检查能在早期发现肿瘤，可也存在过度诊断、假阳性等问题，让不少女性陷入焦虑，还得经历一系列后续检查。

传统的肿块分割方法，要么依赖手工制作的特征，需要不断优化参数和阈值，结果还不稳定；要么人工筛查，费时又费力。在这样的困境下，开发能帮医生精准检测和分割肿瘤的工具，就显得尤为迫切。

来自希腊研究与技术中心信息技术研究所（Information Technologies Institute, Centre for Research & Technology-Hellas）的研究人员，迎难而上。他们开展了一项极具创新性的研究，提出了一种两阶段的轻量级深度学习框架，相关成果发表在《Journal of Imaging Informatics in Medicine》上。这一研究成果意义非凡，有望在乳腺癌检测领域掀起新的变革。

关键技术方法

研究人员采用了一系列关键技术来实现这一创新成果。在数据预处理阶段，对 CBIS-DDSM 和 INbreast 数据集进行处理，通过裁剪图像去除白边、调整图像方向、应用对比度受限自适应直方图均衡化（CLAHE）增强图像细节，还对图像进行了尺寸调整和格式转换 。

为检测乳腺肿块，研究人员选用了 YoloV5 和 YoloV8 架构进行迁移学习，重点优化了 YoloV5n6 和 YoloV8n 等轻量级版本。对于肿块分割，他们先是在预训练的 U-Net 模型上应用迁移学习，评估不同参数和架构设计的性能，之后又从头开始训练浅层神经网络，尝试平衡模型性能和参数效率 。

研究结果

1. 肿块检测结果：研究人员对 YoloV5 和 YoloV8 的多个版本进行了评估。在 CBIS-DDSM 数据集上，YoloV5n 的平均精度均值（mAP_@50）达到 50.3%，在 INbreast 数据集上更是高达 68.2%。虽然它在 CBIS-DDSM 数据集上的表现不如部分其他模型，但在 INbreast 数据集上展现出了强大的泛化能力 。综合考虑性能和推理速度，YoloV5n 被选入最终的两阶段模型。
2. 肿块分割结果：研究人员测试了多种模型，包括预训练模型、基于 SegNet 架构的模型以及传统的 OTSU 阈值分割方法。预训练模型中，小尺寸的 MobileNetV3 架构（MNetV3-S_1）推理速度最快，在 INbreast 数据集上性能也较高 。而基于 SegNet 架构并结合深度可分离卷积（DSCs）的模型，如 SegDSC4_90，仅有 20000 个参数，在 CBIS-DDSM 数据集上达到了 81.0% 的交并比（IoU）和 89.4% 的 Dice 系数，在 INbreast 数据集上也有不错的表现，且推理时间仅 21ms 。相比之下，传统的 OTSU 方法性能较差。

研究结论与意义

这项研究成功开发了一个两阶段模型，用于乳腺癌的检测和分割。该模型的数据预处理流程有效提升了医学数据集的质量，且在检测和分割性能上表现出色。它不仅检测精度高，分割模型的参数少、推理速度快，能实现乳腺 X 光图像的实时检测和分割，还能将其集成到基于浏览器的网络应用程序中，保证医学数据不会离开用户的电脑，严守医疗信息隐私。

不过，研究也面临着一些挑战。未来可以进一步拓展应用功能，如肿瘤分类、自动报告等；还可以探索更先进的数据增强技术，像扩散模型，来进一步提升模型性能。但不可否认的是，这项研究已经为乳腺癌检测开辟了新的道路，为后续的研究和临床应用提供了重要的参考和方向。