深度学习架构助力乳腺区域分割研究取得重要成果

为提升乳腺分割效果、降低成本，研究人员对比 7 种深度学习模型，发现各模型优劣各异，意义重大。

　　### 乳腺区域分割研究：深度学习开启新篇章
在医学领域，乳腺癌的早期诊断和精准评估一直是关键议题。动态对比增强磁共振成像（DCE-MRI）在乳腺疾病诊断中发挥着重要作用，它能够提供高质量的乳腺整体可视化图像。然而，由于周围解剖结构产生的噪声和伪影，解读乳腺 MRI 图像成为一大挑战。同时，准确的乳腺区域分割对于自动测量乳腺密度、定量分析成像结果以及降低预测乳腺癌的计算成本至关重要，但传统方法在这方面存在不足。

为了解决这些问题，来自挪威科技大学（Norwegian University of Science and Technology）、莫勒 - 罗姆斯达尔医院信托（More og Romsdal Hospital Trust）、斯塔万格大学医院（Stavanger University Hospital）等机构的研究人员开展了一项极具意义的研究。该研究成果发表在《Scientific Reports》上，为乳腺区域分割领域带来了新的突破。

研究人员运用了多种关键技术方法。他们收集了斯塔万格大学医院 59 名患者的 DCE-MRI 扫描数据，经过严格的数据预处理，包括标准化成像协议、将图像转换为 NIFTI 格式以及对少数体积进行随机过采样等操作，确保数据的一致性和完整性。在模型训练方面，研究人员选取了 7 种广泛认可的深度学习架构，即 UNet、UNet++、DenseNet、FCNResNet50、FCNResNet101、DeepLabv3ResNet50 和 DeepLabv3ResNet101，利用 10 折交叉验证对这些模型进行训练和评估，并使用 Dice 损失函数、交并比（IoU）、精度（Precision）和召回率（Recall）等多种指标来衡量模型性能。此外，还计算了各模型训练过程中的碳足迹，以评估其环境影响。

研究结果主要体现在以下几个方面：

1. 模型性能和泛化能力：UNet++ 在训练时 Dice 损失函数最低，为 0.0112 ± 0.0022 ，表明其在训练集中表现出色；而 UNet 在验证集上表现突出，验证损失为 0.0448 ± 0.0077 ，具有较强的泛化能力，更适合实际应用场景。FCNResNet50 在训练损失方面表现良好，为 0.0126 ± 0.0028 ，且验证性能也较为可观1。
2. 内部乳腺分割和边界检测：在测试数据集上，UNet 在大多数指标上表现最佳，其 Dice 评分为 0.9831 ± 0.0142 ，IoU 为 0.9671 ± 0.0264 ，召回率为 0.9963 ± 0.0069 。在边界检测方面，UNet 和 UNet++ 表现卓越，其最低的中位豪斯多夫距离（Hausdorff distance）显示出它们能够更精确地捕捉边界细节23。
3. 训练和推理时间：FCNResNet50 训练时间最短，仅为 87 ± 18 分钟；而 DenseNet 训练时间最长，达 185 ± 56 分钟。在推理时间上，UNet 表现最优，每张切片仅需 126 毫秒，DenseNet 则需要 696 毫秒，不同模型的计算效率差异明显4。
4. 碳足迹：FCNResNet50 的碳足迹最低，范围在 0.45 - 0.85 kg CO₂ ，对环境影响最小；DenseNet 的碳足迹最大，反映出其训练过程中能耗较高5。

在研究结论和讨论部分，研究人员指出，不同的深度学习架构在乳腺区域分割任务中表现出显著差异。UNet++ 整体性能最佳，在 Dice 评分上具有较高准确性；UNet 在验证集上预测精度更高；FCNResNet50 在训练时间和碳足迹方面优势明显，是最具效率的模型。这些发现揭示了不同模型的优缺点，为后续研究和实际应用中选择合适的模型提供了重要参考。同时，研究人员也提到，尽管此次研究取得了一定成果，但仍有改进空间，如进一步优化预处理和后处理方法、探索更多损失函数以及扩大数据集以提高模型的泛化能力等。

总之，这项研究为乳腺区域分割提供了全面且深入的分析，推动了深度学习技术在医学影像分析领域的应用，有望为乳腺癌的早期诊断和精准治疗带来新的契机，对生命科学和健康医学领域的发展具有重要意义。