编辑推荐：
在乳腺癌筛查中，乳腺超声图像（BUS）的计算机辅助检测（CAD）系统较少，高质量数据集稀缺。研究人员开发 BUS-UCLM 数据集用于分析超声图像。结果显示该数据集可训练模型，虽有局限，但结合其他数据集能提升模型性能，为乳腺癌研究提供重要资源。
在乳腺癌的防治之路上，早期精准诊断至关重要。目前，在放射学的乳腺癌筛查中，用于乳腺 X 线摄影的计算机辅助检测（CAD）系统相对较多，这些系统借助传统机器学习和深度学习等技术，发挥着重要作用。然而，针对乳腺超声图像（BUS）的 CAD 系统却极为稀少。尽管三星超声机上的 S-Detect?系统能对乳腺病变进行分析和分类，提升了超声检测乳腺癌的准确性，但要开发出强大的用于乳腺超声分析的机器学习模型，仍面临诸多挑战，其中一个关键难题就是缺乏大量且标注良好的数据集。因为高质量的数据集对于训练和验证机器学习模型至关重要，它需要涵盖各种不同类型和阶段的乳腺病变实例，才能确保模型在真实场景中有效应用。
为了解决这一难题，来自西班牙卡斯蒂利亚 - 拉曼恰大学（University of Castilla-La Mancha）和雷阿尔城综合大学医院（Hospital General Universitario de Ciudad Real）的研究人员展开了深入研究。他们开发了 BUS-UCLM 数据集，旨在为乳腺超声图像分析的机器学习算法提供全面的资源支持。这一研究成果发表在《Scientific Data》上，具有重要的意义。
研究人员在开展此项研究时，运用了以下几个主要关键技术方法：
- 图像采集与匿名化：2022 - 2023 年从雷阿尔城综合大学医院收集超声图像，使用西门子 Acuson S2000 超声系统和 18L6 HD 探头，采用标准波束形成方法。图像最初以 DICOM 格式存储，后转换为 PNG 文件，并通过多种方式对患者信息进行匿名化处理。
- 图像标注：由专家放射科医生对病变进行活检确认，利用 CVAT 平台手动标注生成精确的分割掩模，同时纳入正常组织扫描样本。
下面来看具体的研究结果：
- 数据集构成：该数据集包含 38 名患者的 38 次乳腺超声扫描，共 683 张图像。这些图像按结果可分为正常（419 张）、良性（174 张）和恶性（90 张）三类。其文件夹结构包含主文件夹下的两个子文件夹和一个 CSV 文件，分别存放超声图像、分割掩模和图像信息。
- 技术验证：通过两位专家放射科医生标注，且标注结果达成共识，病变恶性程度经活检确认，保证了数据集的准确性。与其他现有公共数据集相比，BUS-UCLM 数据集包含无病变和多病变标注样本，且图像质量更优。使用 UNet 模型训练验证，结果表明该数据集虽规模较小，但足以训练出性能合理的模型，结合其他数据集可提升模型可靠性和预测性能。
- 偏差识别：研究发现该数据集存在潜在偏差，如人口统计学偏差（数据仅来自西班牙某一医院，不能代表更广泛人群）、临床偏差（主要基于专家标注，缺乏普通医生诊断数据）、选择偏差（样本量小，部分病变类型或临床情况代表性不足），部分图像的标注和图像类型也可能影响模型结果。不过，研究人员提供了详细的元数据 CSV 文件，方便用户根据需求筛选图像。
- 与其他数据集结合：将 BUS-UCLM 数据集与其他数据集整合，训练五种分割模型（UNet、AttUnet、SK-UNet、DeepLabv3 和 Mask R-CNN），经 5 折交叉验证，Mask R-CNN 在各项指标上表现最佳。结果表明该数据集未显著影响模型性能，结合多个数据集有助于创建更综合的模型，提高模型的稳健性和适用性。
在研究结论和讨论部分，虽然 BUS-UCLM 数据集存在一些局限性，如样本量相对较小、存在潜在偏差等，但它为训练和评估机器学习模型提供了坚实基础。其丰富的数据质量和严谨的分割流程，使得研究结果具有相关性和意义。未来进一步扩大数据集规模，有望进一步提升模型性能。而且，与其他数据集结合使用的方式，为增强诊断算法的泛化能力提供了有效途径，有助于推动乳腺癌超声图像分析领域的发展，为乳腺癌的早期精准诊断和防治提供更有力的支持。
