基于人工智能的乳腺影像診斷綜述

鄭元杰 宋景琦

( 山東師范大學(xué)信息科學(xué)與工程學(xué)院，250358，濟(jì)南 )

1 引 言

乳腺癌屬于最常見的癌癥種類，在女性癌癥死亡率中占比最大.2018年，全球癌癥統(tǒng)計(jì)[1]公布的數(shù)據(jù)顯示，全球乳腺癌的發(fā)病率為11.6%，是女性最常罹患的癌癥，占癌癥相關(guān)死亡的6.6%.研究發(fā)現(xiàn)，科技進(jìn)步尚未顯著降低乳腺癌患者的發(fā)病率，但是，對(duì)患者進(jìn)行早期的檢查可以顯著降低乳腺癌患者的死亡率[2].基于影像學(xué)的乳腺癌臨床檢查方法有很多，常用的方法包括乳腺超聲、核磁共振(Magnetic Resonance Imaging, MRI)、乳腺鉬靶攝影(鉬靶)、對(duì)比增強(qiáng)能譜乳腺攝影(Contrast-Enhanced Spectral Mammography, CESM)等.因此，醫(yī)院每年都會(huì)產(chǎn)生大量不同模式的乳腺癌影像，然而影像的讀取和判別會(huì)耗費(fèi)大量的人力.近年來人工智能技術(shù)在圖像處理方面取得了巨大的發(fā)展，許多學(xué)者將其應(yīng)用到醫(yī)學(xué)影像方面，以此來給醫(yī)生的診斷提供幫助，基于人工智能的醫(yī)學(xué)影像分析技術(shù)正在改變醫(yī)療診斷的格局[3].

2 乳腺癌診斷常用的影像學(xué)方法

乳腺癌檢查方式的不同得到的影像也大不相同，可以得到的信息也不同，不同的成像方式也各有優(yōu)劣.乳腺超聲的成像原理是人體不同器官和組織的聲阻抗和衰減特性不同，當(dāng)超聲射入人體內(nèi)，機(jī)器根據(jù)接收的回聲強(qiáng)弱顯示人體器官的超聲圖像[4].超聲檢查的操作比較簡單，可以方便地從4個(gè)象限得到乳房的影像.并且這種方法經(jīng)濟(jì)實(shí)惠、無輻射、無損傷，在乳腺癌普查中有廣泛的應(yīng)用.但是超聲檢查的敏感性不高，很難檢測(cè)出乳腺里的微鈣化點(diǎn).核磁共振的原理是利用電磁波穿過人體，電磁波與組織中的質(zhì)子相互作用產(chǎn)生信號(hào)，經(jīng)過后續(xù)處理得到組織的位置和種類，據(jù)此原理檢測(cè)設(shè)備能夠繪制出物體內(nèi)部的結(jié)構(gòu)圖像[5].核磁共振有較高的敏感性和準(zhǔn)確性，對(duì)乳腺癌的分期和術(shù)后追蹤有較大意義，但是其價(jià)格比較昂貴.乳腺鉬靶攝影的影像采集相對(duì)簡單，對(duì)早期乳腺癌的微鈣化點(diǎn)的成像比較清晰，是臨床上首選的檢查方法之一[6].然而需要用X射線對(duì)患者進(jìn)行照射，所以這種檢查方法具有輻射性.并且鉬靶影像對(duì)于腺體豐富的乳腺的檢測(cè)準(zhǔn)確性不高.CESM利用碘的K邊緣效應(yīng)，通過注射碘造影劑消除組織對(duì)腫瘤的遮蓋，實(shí)現(xiàn)對(duì)病灶的顯示[7].CESM能得到多幅乳腺的圖像，具有較高的敏感性和特異性，是一種具有良好應(yīng)用前景的技術(shù)[8].然而病人在進(jìn)行CESM檢查前，需要注射造影劑，如果患者對(duì)造影劑過敏，則不能進(jìn)行CESM檢查.此外CESM也對(duì)患者有一定的輻射.以上各種檢查方法各有利弊，所以臨床上經(jīng)常結(jié)合多種影像來對(duì)乳腺癌進(jìn)行確診.圖1是常用的幾種乳腺癌檢測(cè)方式得到的影像圖，可以看出不同的成像方式得到的圖像存在很大差異.

(a) 乳腺鉬靶攝影;(b) 乳腺超聲影像;(c) 乳腺M(fèi)RI;(d) 乳腺CESM圖1 乳腺癌檢測(cè)的常用影像

3 人工智能介紹

1955年，“人工智能”這個(gè)詞被約翰麥卡錫定義為“制造智能機(jī)器的科學(xué)和工程”[9].人工智能(Artificial Intelligence，AI)作為計(jì)算機(jī)科學(xué)的一個(gè)分支，是對(duì)人的意識(shí)、思考過程和處理問題的模擬，以完成傳統(tǒng)上與人類智能相關(guān)的任務(wù)，如學(xué)習(xí)和解決問題的能力[10].它是許多不同訓(xùn)練技術(shù)的總稱，主要包括機(jī)器學(xué)習(xí)(Machine Learning, ML)和深度學(xué)習(xí)(Deep Learning, DL)[11].人工智能致力于設(shè)計(jì)計(jì)算機(jī)程序，分析數(shù)據(jù)中有用的信息，對(duì)數(shù)據(jù)進(jìn)行深入挖掘，采用回歸、分類等數(shù)據(jù)操作，對(duì)現(xiàn)有數(shù)據(jù)進(jìn)行解釋和對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè).目前人工智能技術(shù)已在計(jì)算機(jī)視覺、自然語言處理、視覺內(nèi)容識(shí)別、醫(yī)學(xué)輔助診斷等方面取得了突破性的進(jìn)展.

3.1機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)(Machine Learning, ML)是人工智能的一個(gè)分支，機(jī)器通過訓(xùn)練學(xué)習(xí)，從數(shù)據(jù)中提取描述數(shù)據(jù)的最佳特征，建立對(duì)未知數(shù)據(jù)進(jìn)行處理的模型[12].ML按照模型的功能分類可以分為預(yù)測(cè)性模型和解釋性模型，其中預(yù)測(cè)性模型是指學(xué)習(xí)數(shù)據(jù)中的規(guī)律，利用這個(gè)規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行判斷；解釋性模型是指提取數(shù)據(jù)中的特征并對(duì)其分析，尋找其中的規(guī)律，幫助人理解模型.按照訓(xùn)練方法分類，ML可以分為：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí).監(jiān)督學(xué)習(xí)是利用人為標(biāo)記好的數(shù)據(jù)并根據(jù)基礎(chǔ)數(shù)據(jù)訓(xùn)練模型，最終輸出預(yù)測(cè)或分類的結(jié)果；無監(jiān)督學(xué)習(xí)算法，根據(jù)無標(biāo)記的訓(xùn)練樣本，解決模式識(shí)別中的各種問題；而強(qiáng)化學(xué)習(xí)算法，是在簡單的獎(jiǎng)勵(lì)反饋的基礎(chǔ)上達(dá)到回報(bào)最大化或?qū)崿F(xiàn)特定目標(biāo)[13].在監(jiān)督學(xué)習(xí)方法中，人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)、支持向量機(jī)(Support Vector Machine, SVM)和隨機(jī)森林(Random Forest, RF)是最常用的方法[14, 15].最典型的無監(jiān)督算法就是聚類，如K-均值算法(K-Means)、主成分分析(Principal Component Analysis, PCA)、矩陣分解(Singular Value Decomposition)等.成熟的ML算法有很多，解釋性比較好的模型一般在預(yù)測(cè)效果上不是很好(例如線性回歸)，而預(yù)測(cè)性比較強(qiáng)的模型解釋性又比較差(例如神經(jīng)網(wǎng)絡(luò)).目前，計(jì)算機(jī)還遠(yuǎn)遠(yuǎn)沒有達(dá)到與人一樣的學(xué)習(xí)能力，但在一些實(shí)際的應(yīng)用中ML己經(jīng)取得了很好的效果，并超過了人類的能力.人們也在不斷地豐富ML理論，并在實(shí)際應(yīng)用中使用ML完成不同的任務(wù).其中，ML在醫(yī)學(xué)圖像領(lǐng)域的研究己經(jīng)取得了不錯(cuò)的成果，如計(jì)算機(jī)能夠自動(dòng)檢測(cè)醫(yī)學(xué)圖像中的病灶、自動(dòng)將病變區(qū)域的腫瘤分割出來、通過分析腫瘤的特征將腫瘤進(jìn)行分類等.

3.2深度學(xué)習(xí)深度學(xué)習(xí)是ML的一個(gè)子集，而ML又是人工智能的一個(gè)領(lǐng)域，它使計(jì)算機(jī)能夠在不經(jīng)過硬編程的情況下，使用大數(shù)據(jù)集來學(xué)習(xí)和檢測(cè)數(shù)據(jù)[16].Hinton等人在2006年《Science》上的文章中提出深度學(xué)習(xí)的概念，他指出可以用逐層訓(xùn)練的方式來解決深度網(wǎng)絡(luò)訓(xùn)練困難的問題[17].卷積神經(jīng)網(wǎng)絡(luò) ( Convolutional Neural Network, CNN) 是深度學(xué)習(xí)中最成功的網(wǎng)絡(luò)結(jié)構(gòu)，尤其是在圖像處理方面取得了巨大成功.基于深度學(xué)習(xí)的網(wǎng)絡(luò)中常用的層是輸入層、卷積層、池化層、全連接層、輸出層等.

輸入層將輸入數(shù)據(jù)饋送至卷積層，可以合并一些轉(zhuǎn)換，如特征縮放和數(shù)據(jù)增強(qiáng)等[18].卷積層又叫特征提取層[19]，是卷積神經(jīng)網(wǎng)絡(luò)的核心，主要完成特征提取任務(wù)，表現(xiàn)為利用可訓(xùn)練的二維卷積濾波器和偏差參數(shù)計(jì)算輸入特征映射的卷積結(jié)果.每個(gè)濾波器組在輸入圖像上的每個(gè)位置檢測(cè)一個(gè)特定的特征[20].卷積操作主要模擬的是人的大腦識(shí)別圖像的過程，我們?cè)诳吹綀D像時(shí)，并不是對(duì)整幅圖像同時(shí)識(shí)別，而是首先對(duì)于圖像中的局部特征進(jìn)行感知，然后對(duì)局部進(jìn)行綜合考慮，從而得到全局信息.卷積核在輸入圖像上不斷移動(dòng)并進(jìn)行卷積操作，從而得到特征圖.特征圖上每個(gè)位置的值對(duì)應(yīng)于卷積核在輸入圖像上的相應(yīng)局部特征[21].每一個(gè)卷積層都包含多個(gè)卷積核，通過卷積操作就可以得到圖像的多種不同特征圖.雖然這樣能夠得到許多不同的特征，但是這也使得通過卷積層后參數(shù)量急劇增加.為了簡化網(wǎng)絡(luò)參數(shù)，降低數(shù)據(jù)的維度，在卷積層后面加入了池化層.池化層主要是對(duì)輸入的數(shù)據(jù)執(zhí)行下采樣操作，從而得到一個(gè)低分辨率的輸出特征映射，這能夠使它對(duì)上一層特征位置的微小變化具有魯棒性，因此能夠改善網(wǎng)絡(luò)性能.常見的池化方法包括最大池化、平均池化等.全連接層是相鄰兩層的每個(gè)神經(jīng)元之間都完全連接的一種結(jié)構(gòu)，這一層一般位于池化層和輸出層之間.分類輸出層是一個(gè)分類器，經(jīng)過全連接層的特征會(huì)傳入輸出層，最終通過輸出層輸出分類結(jié)果或者概率，常用的分類器有soft-max和SVM等.當(dāng)預(yù)測(cè)結(jié)果和真實(shí)值之間產(chǎn)生誤差(即預(yù)測(cè)誤差)時(shí)，在輸出層利用損失函數(shù)(代價(jià)函數(shù))來計(jì)算預(yù)測(cè)誤差，用來衡量預(yù)測(cè)值和真實(shí)值之間的差距，通過多次迭代來減小誤差，提高預(yù)測(cè)精度和分類效果.

4 人工智能在乳腺癌影像分類中的應(yīng)用

人工智能在自然圖像分類處理中有較好的結(jié)果，醫(yī)學(xué)影像分析中也有許多分類的需求，因此將人工智能應(yīng)用在醫(yī)學(xué)影像分類中也是一個(gè)研究的熱點(diǎn).人工智能在乳腺影像分類方面涉及的影像包括超聲影像、MRI影像、乳腺鉬靶影像、CESM等.

4.1人工智能在乳腺超聲影像中的應(yīng)用乳腺超聲影像具有安全、便攜及低成本等特點(diǎn)，因此成為乳腺癌檢查中的一種應(yīng)用非常普遍的手段.基于人工智能的乳腺超聲影像的分類技術(shù)也越來越多地應(yīng)用在臨床診斷中，該技術(shù)作為輔助手段，在乳腺癌篩查和檢測(cè)中具有重要意義，不僅可以為放射科醫(yī)生節(jié)省時(shí)間，而且可以彌補(bǔ)其一些經(jīng)驗(yàn)和技能的不足.

4.1.1 機(jī)器學(xué)習(xí)在乳腺超聲影像中的應(yīng)用 在早期的超聲檢查中利用的是模擬信號(hào)，當(dāng)獲得超聲影像時(shí)，需要將模擬信號(hào)先轉(zhuǎn)化為數(shù)字信號(hào).Chen等人[22]手動(dòng)選擇數(shù)字化超聲影像上可疑的腫瘤區(qū)域，然后提取圖像的紋理信息，利用具有自相關(guān)特征的神經(jīng)網(wǎng)絡(luò)分類器對(duì)腫瘤進(jìn)行良惡性分類.他在文獻(xiàn)[23]中還提出利用帶有動(dòng)量的誤差反向傳播算法，訓(xùn)練多層感知器神經(jīng)網(wǎng)絡(luò)對(duì)乳腺超聲影像鑒別診斷.Chang等人[24]提出了一種高精度的超聲計(jì)算機(jī)輔助診斷系統(tǒng).該系統(tǒng)根據(jù)腫瘤周圍斑點(diǎn)像素的紋理信息，利用SVM對(duì)乳腺腫瘤超聲影像進(jìn)行分類.同時(shí)實(shí)驗(yàn)也比較了散斑增強(qiáng)紋理特征、非散斑增強(qiáng)紋理特征和常規(guī)全像素紋理特征在乳腺超聲診斷中的分類效果.結(jié)果表明，散斑現(xiàn)象雖被認(rèn)為是超聲影像中的噪聲，但是可以作為一種有用的特征來指導(dǎo)計(jì)算機(jī)進(jìn)行輔助診斷.文獻(xiàn)[25]計(jì)算了病灶周圍最小邊界矩形區(qū)域的22種灰度共生矩陣的統(tǒng)計(jì)量，并在所有方向上將相同距離的紋理描述子進(jìn)行平均以降低特征空間的維數(shù)，然后利用最小冗余最大相關(guān)性準(zhǔn)則的互信息技術(shù)對(duì)特征空間進(jìn)行排序，采用fisher線性判別分析方法對(duì)紋理特征的判別能力進(jìn)行評(píng)估，迭代地將特征加入到分類過程中，直到所有特征都被考慮在內(nèi).文獻(xiàn)[26]利用剪切變換能提供高維數(shù)據(jù)的稀疏表示，并且在不同的尺度上具有方向靈敏度的特點(diǎn)，提出了利用剪切變換提取紋理特征描述子的方法.為了客觀地評(píng)價(jià)剪切特征的性能，還提取了基于曲線、輪廓線、小波和灰度共生矩陣的紋理特征描述子進(jìn)行比較.然后將所有這些特征輸入SVM和AdaBoost兩個(gè)分類器，以評(píng)估算法分類的性能.Lin等人[27]開發(fā)了一個(gè)具有較強(qiáng)泛化能力的模糊小腦模型神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)輔助設(shè)計(jì)(Computer-Aided Design, CAD)系統(tǒng).該系統(tǒng)是一個(gè)高性能的分類器，能夠在超聲影像上將乳腺結(jié)節(jié)分類為良性或者惡性.文獻(xiàn)[28]提出了一種將相位一致性方法與局部二值模式相結(jié)合的面向局部紋理的特征描述子，然后利用SVM對(duì)超聲影像中良性腫瘤和惡性腫瘤進(jìn)行分類.文獻(xiàn)[29]在多實(shí)例學(xué)習(xí)的框架下，提出了一種基于稀疏表示的乳腺超聲影像分類方法.其算法在對(duì)圖像進(jìn)行增強(qiáng)和分割后，利用同心圓算法提取全局和局部特征，然后將超聲影像的分類問題轉(zhuǎn)化為基于稀疏表示的多實(shí)例問題，將稀疏和多實(shí)例學(xué)習(xí)問題進(jìn)一步轉(zhuǎn)化為用相關(guān)向量機(jī)求解的傳統(tǒng)學(xué)習(xí)問題，與其他方法相比在分類精度上取得了明顯的優(yōu)勢(shì).

4.1.2 深度學(xué)習(xí)在乳腺超聲影像中的應(yīng)用 近幾年，也出現(xiàn)了許多利用深度學(xué)習(xí)對(duì)超聲影像進(jìn)行分類的方法.深度學(xué)習(xí)方法的主要優(yōu)點(diǎn)是減輕了設(shè)計(jì)具體特征和分類框架的負(fù)擔(dān)，因?yàn)樯疃葘W(xué)習(xí)模型直接從數(shù)據(jù)中產(chǎn)生一組變換函數(shù)和圖像特征.Cheng等人[30]利用疊加去噪自編碼器具有較好的自動(dòng)特征探測(cè)機(jī)制和抗噪聲能力的特點(diǎn)，將其用于鑒別乳腺超聲病變.這種自編碼器能夠處理各種成像方式下醫(yī)學(xué)影像數(shù)據(jù)的固有噪聲，所以取得了不錯(cuò)的效果.Han等人[31]將超聲影像數(shù)據(jù)在GoogLeNet下進(jìn)行訓(xùn)練，以區(qū)分良性腫瘤和惡性腫瘤.該方法雖然需要放射學(xué)家標(biāo)記感興趣的區(qū)域，但對(duì)良惡性病變的分類效果良好.Shin等人[32]提出了一種具有適當(dāng)訓(xùn)練損失選擇的聯(lián)合弱監(jiān)督和半監(jiān)督訓(xùn)練方案.該方法以混合的方式使用弱注釋數(shù)據(jù)集和較小的強(qiáng)注釋數(shù)據(jù)集來克服過度擬合的情況.實(shí)驗(yàn)結(jié)果表明，該算法能以較少的標(biāo)注工作量對(duì)乳腺超聲影像進(jìn)行定位和分類.在文獻(xiàn)[33]中，作者為了進(jìn)一步提高深度多項(xiàng)式網(wǎng)絡(luò)的分類性能，提出了一種疊加深度多項(xiàng)式網(wǎng)絡(luò)算法，并將該網(wǎng)絡(luò)算法應(yīng)用于乳腺超聲數(shù)據(jù)集和前列腺超聲彈性成像數(shù)據(jù)集的腫瘤分類任務(wù)中，并取得了不錯(cuò)的效果.文獻(xiàn)[34]利用預(yù)處理的深層卷積網(wǎng)絡(luò)從預(yù)先標(biāo)注的感興趣區(qū)域中提取特征，并用于訓(xùn)練SVM分類器來區(qū)分非惡性病變與惡性病變以及良性與惡性病變，經(jīng)實(shí)驗(yàn)證實(shí)，利用CNN提取的特征進(jìn)行訓(xùn)練的分類器與人工設(shè)計(jì)的特征進(jìn)行訓(xùn)練的分類器分類效果相當(dāng).文獻(xiàn)[35]利用一個(gè)用于工業(yè)圖像分析的通用深度學(xué)習(xí)軟件對(duì)乳腺超聲影像進(jìn)行分類，并將其性能與具有不同乳腺成像經(jīng)驗(yàn)的醫(yī)生進(jìn)行了比較.結(jié)果表明，該軟件可以在乳腺超聲圖像中診斷乳腺癌，其精度可與人類讀者相媲美，速度也能達(dá)到實(shí)時(shí)分析.

4.2人工智能在乳腺核磁共振中的應(yīng)用乳腺核磁共振是另一種臨床上常用的用于檢測(cè)乳腺病變的成像方法，可在乳腺超聲的檢查結(jié)果不確定時(shí)作為輔助手段給醫(yī)生提供參考信息.乳腺M(fèi)RI能通過圖像處理和運(yùn)動(dòng)校正技術(shù)來自動(dòng)增強(qiáng)乳腺影像，因此在乳腺癌檢測(cè)中得到了廣泛的應(yīng)用.今天在全世界范圍內(nèi)人工智能已經(jīng)漸漸滲透到醫(yī)學(xué)界，放射學(xué)家已經(jīng)或即將直接參與人工智能的使用[36].

4.2.1 機(jī)器學(xué)習(xí)在乳腺核磁共振中的應(yīng)用 研究人員利用機(jī)器學(xué)習(xí)來處理乳腺M(fèi)RI數(shù)據(jù)方面取得了許多成果，這些方法在不同程度上都能提高乳腺癌診斷的準(zhǔn)確性.在文獻(xiàn)[37]中，Nie K等人探討了利用乳腺病變的定量形態(tài)學(xué)特征進(jìn)行診斷預(yù)測(cè)的可行性，探究了磁共振成像中計(jì)算機(jī)化特征與病變表型的相關(guān)性.該方法從自動(dòng)病灶分割、定量特征提取、人工神經(jīng)網(wǎng)絡(luò)診斷特征選擇、病灶分類等方面對(duì)43例惡性病變和28例良性病變進(jìn)行了系統(tǒng)的研究，獲取病灶的8個(gè)形態(tài)學(xué)參數(shù)和10個(gè)灰度共生矩陣紋理特征并對(duì)所選特征進(jìn)行良惡性鑒別診斷.Newell D等人[38]采用ANN建立診斷模型，對(duì)乳腺病變的形態(tài)學(xué)特征和增強(qiáng)動(dòng)力學(xué)參數(shù)進(jìn)行定量分析，來區(qū)分良惡性腫瘤.該方法對(duì)每個(gè)腫塊獲得8個(gè)形狀邊緣參數(shù)和10個(gè)增強(qiáng)紋理特征，而對(duì)于表現(xiàn)為非腫塊樣強(qiáng)化的病變，只獲得紋理參數(shù)，其結(jié)果表明定量診斷特征可用于乳腺腫塊的計(jì)算機(jī)輔助診斷.Yuan Y等人[39]構(gòu)建了由鉬靶影像和MRI影像組成的多模態(tài)數(shù)據(jù)集，手動(dòng)標(biāo)記鉬靶影像的種子點(diǎn)或MRI影像上的感興趣區(qū)域，然后用計(jì)算機(jī)自動(dòng)分割腫塊并提取病變特征.采用線性逐步特征選擇的方法選擇特征子集，用貝葉斯人工神經(jīng)網(wǎng)絡(luò)進(jìn)行融合，得到惡性概率的估計(jì)值，結(jié)果表明鉬靶影像和MRI影像組成的多模態(tài)特征的方案在鑒別惡性和良性病變方面優(yōu)于單模態(tài)的方法.Shannon C等人在文獻(xiàn)[40]中定義了一種能夠捕捉乳腺病變紋理時(shí)空變化的新的MRI特征描述子，并將之稱為紋理動(dòng)力學(xué)特征，以區(qū)分良惡性病變.作者通過對(duì)乳腺M(fèi)RI影像的研究，定性和定量地證明了紋理動(dòng)力學(xué)特征在鑒別良、惡性病變方面優(yōu)于信號(hào)強(qiáng)度、動(dòng)力學(xué)和病變形態(tài)特征.用概率增強(qiáng)樹、SVM等分類器進(jìn)行分類的效果顯示使用紋理動(dòng)力學(xué)特征能夠得到不錯(cuò)的分類效果.文獻(xiàn)[41]采用基于運(yùn)動(dòng)學(xué)和面積結(jié)合的區(qū)域生長方法對(duì)腫瘤區(qū)域進(jìn)行了自動(dòng)分割，并利用模糊C均值聚類法對(duì)分割區(qū)內(nèi)初始增強(qiáng)較大的時(shí)間信號(hào)曲線進(jìn)行識(shí)別，最后將Tofts藥代動(dòng)力學(xué)模型的參數(shù)與常規(guī)曲線分析進(jìn)行了比較，結(jié)果顯示基于模糊C均值聚類的特征動(dòng)力學(xué)曲線模型分析提供了有效的乳腺腫瘤分類方法.文獻(xiàn)[42]利用Minkowski泛函的拓?fù)涮卣飨蛄繉?duì)乳腺動(dòng)態(tài)MRI的病變進(jìn)行動(dòng)態(tài)表征，然后將這些特征向量與樣本外擴(kuò)展技術(shù)相結(jié)合，采用不同的線性和非線性算法進(jìn)行降維，最后通過監(jiān)督學(xué)習(xí)和支持向量回歸對(duì)小病灶進(jìn)行分類.文獻(xiàn)[43]利用DEMONS變形算法確定乳腺區(qū)域，然后利用動(dòng)力學(xué)特征和模糊C均值聚類方法對(duì)MRI影像的可疑組織進(jìn)行識(shí)別，根據(jù)旋轉(zhuǎn)不變和多尺度BLOB特征對(duì)所有乳腺腫瘤進(jìn)行檢測(cè)，最后對(duì)腫瘤進(jìn)行分類.文獻(xiàn)[44]通過將動(dòng)力學(xué)和曲線下面積顏色圖相交生成的綜合顏色圖用于檢測(cè)潛在的乳腺病變，并應(yīng)用區(qū)域生長算法對(duì)腫瘤進(jìn)行分割，采用改進(jìn)的模糊C均值聚類方法識(shí)別出最具代表性的分割腫瘤的動(dòng)力學(xué)曲線，然后采用常規(guī)曲線分析或藥代動(dòng)力學(xué)模型對(duì)其進(jìn)行表征.采用三維形態(tài)特征(緊密度、邊緣和橢球擬合)和紋理特征(灰度共生矩陣)對(duì)病灶進(jìn)行定性描述，結(jié)果表明結(jié)合三維乳腺M(fèi)RI的運(yùn)動(dòng)學(xué)和形態(tài)學(xué)特征，是一種潛在的鑒別良惡性病變的有效和穩(wěn)健的算法.文獻(xiàn)[45]采用了一種由預(yù)處理步驟來識(shí)別胸壁線的氣胸界面邊界和曲線擬合的乳腺分割方法，然后利用Chan-Vese模型水平集分割方法對(duì)乳腺腫塊進(jìn)行分割，最后采用SVM分類器結(jié)合ReliefF特征選擇，將提取的形態(tài)學(xué)特征和紋理特征融合到分類，取得了較好的分類結(jié)果.文獻(xiàn)[46]將一種計(jì)算機(jī)輔助檢測(cè)方法應(yīng)用于乳腺區(qū)域的分割，并在每個(gè)MRI病例影像上顯示可疑的腫瘤.文章計(jì)算了18個(gè)動(dòng)力學(xué)特征，然后采用不同的特征組合對(duì)基于SVM的分類器進(jìn)行了訓(xùn)練和優(yōu)化，結(jié)果表明所提出的定量背景實(shí)質(zhì)增強(qiáng)特征為MRI中乳腺腫瘤的動(dòng)力學(xué)特征提供了有價(jià)值的補(bǔ)充信息，能夠提高分類的準(zhǔn)確性.文獻(xiàn)[47]采用“多點(diǎn)智能開放”算法對(duì)病灶進(jìn)行分割，并在病變分割的基礎(chǔ)上計(jì)算出5個(gè)形態(tài)學(xué)特征.算法利用基于對(duì)比度增強(qiáng)曲線對(duì)每一個(gè)體素計(jì)算動(dòng)態(tài)特征，同時(shí)除了自動(dòng)選擇較小的“最可疑區(qū)域”的平均值外，還計(jì)算整個(gè)分割區(qū)域的動(dòng)態(tài)特征的平均值和標(biāo)準(zhǔn)差，使用RF算法對(duì)良惡性病變進(jìn)行分類，并將該系統(tǒng)性能與現(xiàn)有方法進(jìn)行了比較.文獻(xiàn)[48]提出了一種將多種ML的技術(shù)集成來對(duì)乳腺M(fèi)RI影像分類的方法.這些技術(shù)包括用于處理不平衡數(shù)據(jù)的欠采樣技術(shù)、用于特征選擇的Relief算法、用于提供數(shù)據(jù)多樣性的子空間方法和用于提高分類器性能的Adaboost方法.文章使用手動(dòng)分割感興趣區(qū)域，并提取了各種形態(tài)、紋理和gabor特征，將形態(tài)學(xué)特征與各種紋理或gabor特征相結(jié)合，建立了特征子空間，經(jīng)過在數(shù)據(jù)集測(cè)試表明文章提出的方法顯著降低了假陽性分類率.文獻(xiàn)[49]利用多參數(shù)正電子發(fā)射層析成像/磁共振成像強(qiáng)度的特征用于病變分割，提取形狀特征、動(dòng)力學(xué)和時(shí)空紋理特征，并將其輸入RF分類器用于病變分類.

4.2.2 深度學(xué)習(xí)在乳腺核磁共振中的應(yīng)用 隨著深度學(xué)習(xí)技術(shù)的發(fā)展，許多研究者將深度學(xué)習(xí)應(yīng)用到乳腺M(fèi)RI的 CAD 系統(tǒng)中.卷積神經(jīng)網(wǎng)絡(luò)是一種常用的深度學(xué)習(xí)模型，文獻(xiàn)[50]提出了一種基于人工魚群優(yōu)化(Artificial Fish Swarm Optimization, AFSO)算法訓(xùn)練的神經(jīng)網(wǎng)絡(luò)分類器.該分類器的基本思想是利用AFSO算法來搜索神經(jīng)網(wǎng)絡(luò)中突觸權(quán)值的最佳組合，利用基于統(tǒng)計(jì)紋理特征的最優(yōu)特征集對(duì)可疑病變進(jìn)行分類，所得到的分類效果優(yōu)于文中所列舉的其他分類算法.文獻(xiàn)[51]提出了一種將減影磁共振影像的最大強(qiáng)度投影包含進(jìn)卷積神經(jīng)網(wǎng)絡(luò)來對(duì)病灶進(jìn)行分類的方法.在三個(gè)MRI表現(xiàn)上選擇每個(gè)病灶周圍的感興趣區(qū)域，利用預(yù)訓(xùn)練的VGGNet深度學(xué)習(xí)網(wǎng)絡(luò)從感興趣區(qū)域中提取CNN特征.在訓(xùn)練三個(gè)SVM分類器時(shí)，利用這些特征將病變分為惡性或良性，在統(tǒng)計(jì)顯著性水平上取得了不錯(cuò)的效果.文獻(xiàn)[52]使用深度學(xué)習(xí)方法來提取超快速動(dòng)態(tài)增強(qiáng)MRI和T2加權(quán)信息，結(jié)合患者信息和擴(kuò)散加權(quán)成像獲得的表觀擴(kuò)散系數(shù)值，利用RF分類器進(jìn)行最終的病變分類.文獻(xiàn)[53]提出了一個(gè)三維CNN和一個(gè)多尺度的課程學(xué)習(xí)策略，該方法考慮整個(gè)乳腺圖像而不是單個(gè)病變，在整個(gè)乳腺M(fèi)RI上對(duì)腫瘤進(jìn)行整體良惡性分類.文章提出的方法不依賴于腫瘤分割，這使得訓(xùn)練數(shù)據(jù)的標(biāo)注比現(xiàn)有的目標(biāo)檢測(cè)方法更加有效.文獻(xiàn)[54]提出了一種新的乳腺癌分類的深度混合方法.該方法首先通過一種硬性視覺注意算法自適應(yīng)地從原始影像中選擇一系列的粗區(qū)域，然后對(duì)每個(gè)粗區(qū)域進(jìn)行基于軟性注意機(jī)制的異常部位檢測(cè)，然后建立一個(gè)遞歸網(wǎng)絡(luò)來決定對(duì)圖像區(qū)域進(jìn)行分類，并預(yù)測(cè)下一步要研究的圖像區(qū)域的位置.文獻(xiàn)[55]提出了一種使用預(yù)先訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)提取和匯集中低水平特征的方法，并將其與用傳統(tǒng)CAD方法計(jì)算的手工繪制的放射特征融合.在評(píng)估病變惡性程度方面，這種基于融合的方法在三種臨床成像模式(動(dòng)態(tài)增強(qiáng)MRI、數(shù)字乳腺攝影和超聲)的預(yù)測(cè)性能比以往的乳腺癌CAD方法有顯著的改進(jìn).此外，該方法避免了圖像預(yù)處理的需要，因此計(jì)算效率也比較高.

從以上回顧來看，研究人員利用人工智能的方法對(duì)乳腺M(fèi)RI影像進(jìn)行處理，以達(dá)到使用機(jī)器就能夠?qū)θ橄倌[瘤的良惡性進(jìn)行分類的目的.這些方法中主要以ML為主，并且已經(jīng)有許多方法已經(jīng)應(yīng)用到實(shí)踐中，深度學(xué)習(xí)方法由于在最近幾年剛剛興起，并且其解釋性差，在臨床上還沒有得到廣泛應(yīng)用.

4.3人工智能在乳腺鉬靶攝影中的應(yīng)用乳腺鉬靶攝影是最常用的乳腺癌的篩查手段，可協(xié)助醫(yī)生及早發(fā)現(xiàn)乳腺癌，從而顯著降低其死亡率.基于人工智能的乳腺鉬靶診斷系統(tǒng)，可以為放射科醫(yī)生的診斷提供參考性建議，對(duì)提高診斷的準(zhǔn)確性和敏感性起到了尤為重要的作用.因此，人工智能在乳腺鉬靶的應(yīng)用與發(fā)展也成為研究的熱點(diǎn).

4.3.1 機(jī)器學(xué)習(xí)在乳腺鉬靶攝影中的應(yīng)用 乳腺鉬靶影像是臨床上檢查乳腺癌時(shí)應(yīng)用最普遍的一種圖像，利用人工智能對(duì)乳腺鉬靶影像的研究也非常廣泛.例如，Azar A T r等人[56]將多層感知器、徑向基函數(shù)和概率神經(jīng)網(wǎng)絡(luò)三種分類算法應(yīng)用于乳腺癌的檢測(cè)和分類.并且文章從靈敏度、特異性、準(zhǔn)確性等方面對(duì)該結(jié)構(gòu)的性能進(jìn)行了評(píng)價(jià).Aswini K M等人[57]提出了一種基于關(guān)聯(lián)規(guī)則挖掘的數(shù)字化鉬靶影像腫塊分類方法，該方法提取統(tǒng)計(jì)紋理特征并利用關(guān)聯(lián)規(guī)則挖掘感興趣區(qū)域進(jìn)行良惡性分類，實(shí)驗(yàn)表明該方法能提高分類的準(zhǔn)確性和效率.有的學(xué)者[58]將小波變換作為紋理分析的一種多分辨率分析工具來提取鉬靶影像的多分辨率分析特征，并采用多項(xiàng)式分類算法判斷乳腺鉬靶影像中的腫塊是否異常.還有的文獻(xiàn)[59]利用離散小波變換去除乳腺鉬靶影像中的噪聲后，從感興趣區(qū)域中提取20個(gè)灰度共生矩陣特征作為分類算法的輸入，并使用了七種不同的分類器來對(duì)腫瘤的良惡性分類.文獻(xiàn)[60]則結(jié)合了離散小波變換算法和一種改進(jìn)的灰度共生矩陣方法，用于分割乳腺影像并提取特征，并利用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)將腫塊分類為良、惡性.Azizi N等人[61]提出了一種基于遺傳算法的鉬靶影像分類方法，它將SVM分類結(jié)果作為適應(yīng)度函數(shù)多目標(biāo)函數(shù)的一部分，選擇了最優(yōu)的特征子集后，利用高斯核函數(shù)和SVM分類器對(duì)病變進(jìn)行分類.文獻(xiàn)[62]研究了一種新的用于乳腺腫塊分類任務(wù)的特征選擇方法.文章根據(jù)腫塊形狀、毛刺、對(duì)比度等特征計(jì)算了181幅圖像特征，并采用基于序列前向浮點(diǎn)選擇的特征選擇方法來選擇相關(guān)的特征，最后利用SVM模型對(duì)其分類性能進(jìn)行了分析.在文獻(xiàn)[63]的研究中，作者對(duì)一些經(jīng)典特征(如高階統(tǒng)計(jì)、離散小波變換和小波分解)進(jìn)行統(tǒng)計(jì)觀測(cè)，提出了一個(gè)基于新特征集的鉬靶影像微鈣化點(diǎn)偵測(cè)CAD系統(tǒng)，并采用離散小波變換進(jìn)行預(yù)處理， t檢驗(yàn)方法進(jìn)行評(píng)價(jià)和特征約簡，在敏感性方面取得不錯(cuò)的效果.文獻(xiàn)[64]的方法是利用圖像增強(qiáng)技術(shù)對(duì)乳腺鉬靶影像進(jìn)行預(yù)處理，然后提取包含腫塊和正常乳腺組織的感興趣區(qū)域，并利用序列前向選擇和序列浮點(diǎn)前向選擇來進(jìn)行特征選擇，最后采用K近鄰分類器、線性判別分析、二次判別分析和SVM分類器進(jìn)行分類，并對(duì)其進(jìn)行檢驗(yàn).結(jié)果表明，該系統(tǒng)具有較好的靈敏度和特異性.文獻(xiàn)[65]開發(fā)了一個(gè)基于多實(shí)例學(xué)習(xí)范式的乳腺癌分類系統(tǒng).在提出的框架中，作者首先自適應(yīng)地將鉬靶影像分割成許多區(qū)域，然后從每個(gè)區(qū)域提取紋理特征，最后使用多實(shí)例學(xué)習(xí)算法從每個(gè)區(qū)域提取特征向量，以便將鉬靶影像歸類為正常、良性或癌癥.文獻(xiàn)[66]提出了一種乳腺鉬靶影像腫塊自動(dòng)分割與分類的方法.該方法首先用鏈碼提取感興趣區(qū)域，然后用粗糙集方法增強(qiáng)感興趣區(qū)域，之后用改進(jìn)的矢量場卷積方法從感興趣區(qū)域中分割腫塊區(qū)域，并從腫塊區(qū)域及其周圍提取特征.這些特征被作為RF、SVM、遺傳算法SVM、粒子群優(yōu)化SVM和決策樹分類器的輸入來對(duì)鉬靶影像中的腫塊進(jìn)行分類.文獻(xiàn)[67]的分類方法是提取出鉬靶影像中固定大小的感興趣區(qū)域的圖像塊，手工提取圖像塊進(jìn)行訓(xùn)練，通過聚類技術(shù)從高度密集的區(qū)域提取圖像塊進(jìn)行測(cè)試.對(duì)于與鉬靶影像相對(duì)應(yīng)的所有提取的斑塊，計(jì)算不同階次的Zernike矩，并將其存儲(chǔ)為特征向量.利用SVM對(duì)提取的感興趣區(qū)域腫塊進(jìn)行分類.文獻(xiàn)[68]將高斯混合模型與模糊邏輯系統(tǒng)相結(jié)合，提出了一種基于模糊高斯混合模型的計(jì)算機(jī)輔助診斷系統(tǒng)，并將其用于乳腺鉬靶影像中的腫瘤分類.文章采用混淆矩陣分析法對(duì)所提出的模型進(jìn)行了性能測(cè)試，結(jié)果表明，所提出的模糊高斯混合模型能提高乳腺癌影像診斷的準(zhǔn)確性和可靠性.在文獻(xiàn)[69]中，作者提出了一種新的計(jì)算機(jī)輔助技術(shù)，將基于切比雪夫矩和haralick灰度共生矩陣的局部紋理特征和基于gabor的紋理能量測(cè)度等全局特征進(jìn)行融合，設(shè)計(jì)了一種SVM分類器對(duì)乳房鉬靶影像中的腫塊進(jìn)行分類.文獻(xiàn)[70]首次將時(shí)間序列分析應(yīng)用于乳腺鉬靶影像分類.該方法將動(dòng)態(tài)時(shí)間規(guī)整作為相似性度量，將乳腺鉬靶影像的感興趣區(qū)域分為正常和異常兩類.

4.3.2 深度學(xué)習(xí)在乳腺鉬靶攝影中的應(yīng)用 深度學(xué)習(xí)技術(shù)在鉬靶攝影篩查方面已經(jīng)有了較多研究成果，傳統(tǒng)的機(jī)器學(xué)習(xí)方法沒有深度網(wǎng)絡(luò)，僅能提取淺層特征，而深度學(xué)習(xí)在鉬靶攝影篩查的準(zhǔn)確性方面中已經(jīng)接近經(jīng)驗(yàn)豐富的放射科醫(yī)師的水平.在文獻(xiàn)[71]中，作者提出了一種基于圖的半監(jiān)督學(xué)習(xí)的診斷系統(tǒng).該系統(tǒng)包括四個(gè)模塊：數(shù)據(jù)加權(quán)、特征選擇、分割協(xié)同訓(xùn)練數(shù)據(jù)標(biāo)注和CNN分類.CNN通常需要大量的標(biāo)記數(shù)據(jù)進(jìn)行訓(xùn)練和參數(shù)微調(diào)，而文章提出的方案只需要訓(xùn)練集中的小部分標(biāo)記數(shù)據(jù)就得到了不錯(cuò)的分類效果.文獻(xiàn)[72]設(shè)計(jì)了一個(gè)基于深度特征的乳腺腫塊分類框架，該框架主要包括卷積神經(jīng)網(wǎng)絡(luò)和決策機(jī)制，將訓(xùn)練后的深度卷積神經(jīng)網(wǎng)絡(luò)從原始圖像中自動(dòng)提取強(qiáng)度信息和深度特征，并對(duì)基于不同特征的分類器結(jié)果進(jìn)行聯(lián)合分析，確定測(cè)試圖像的類型.該方法借助于兩種特征可視化方法，從不同層次提取的深層特征在分類性能和診斷仿真方面都取得了很好的效果.文獻(xiàn)[73]采用了一種遷移學(xué)習(xí)策略，并證明了深度卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)策略在乳腺鉬靶影像腫塊檢測(cè)中的可行性.該方法首先使用自然圖像來訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，然后修改深度卷積神經(jīng)網(wǎng)絡(luò)的最后一個(gè)全連接層，并使用乳腺鉬靶影像的感興趣區(qū)域?qū)ι疃染矸e神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后將其分為異常和正常兩類.文獻(xiàn)[74]提出了一個(gè)基于最成功的目標(biāo)檢測(cè)框架之一的計(jì)算機(jī)輔助診斷系統(tǒng)，即更快的R-CNN.該系統(tǒng)不需要任何人為干預(yù)就能實(shí)現(xiàn)檢測(cè)和分類乳腺鉬靶影像中的惡性或良性病變.文獻(xiàn)[75]提出了一種基于區(qū)域深度學(xué)習(xí)技術(shù)的新型計(jì)算機(jī)輔助診斷系統(tǒng).該系統(tǒng)可以在一個(gè)框架內(nèi)同時(shí)處理檢測(cè)和分類問題，主要包括乳腺鉬靶影像預(yù)處理、深度卷積網(wǎng)絡(luò)特征提取、帶置信度的腫塊檢測(cè)和完全連接神經(jīng)網(wǎng)絡(luò)的腫塊分類四個(gè)主要階段.通過五次交叉驗(yàn)證試驗(yàn)表明，該系統(tǒng)無論是在檢測(cè)腫塊位置的精度上還是在區(qū)分良、惡性病變的準(zhǔn)確性上都取得了不錯(cuò)的效果.文獻(xiàn)[76]提出了一種對(duì)乳腺鉬靶影像進(jìn)行分類的多尺度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的課程學(xué)習(xí)策略.文章首先訓(xùn)練基于CNN的圖像塊分類器，對(duì)乳腺鉬靶影像中病變的分割掩膜進(jìn)行分類，然后利用所學(xué)的特征初始化一個(gè)基于掃描的模型，該模型對(duì)整個(gè)圖像進(jìn)行決策，并對(duì)結(jié)果數(shù)據(jù)進(jìn)行端到端的訓(xùn)練.文獻(xiàn)[77]將鉬靶影像分類問題分解為三個(gè)階段：腫塊檢測(cè)、腫塊分割和腫塊分類.對(duì)于檢測(cè)，作者提出了一系列的深度學(xué)習(xí)方法來選擇基于貝葉斯優(yōu)化的假設(shè).對(duì)于分割，文章使用深度結(jié)構(gòu)化輸出學(xué)習(xí)，然后通過水平集方法進(jìn)行細(xì)化.最后，在分類方面，文章提出了一種深度學(xué)習(xí)分類器，該分類器通過對(duì)手工繪制的特征值進(jìn)行回歸訓(xùn)練，并根據(jù)乳腺腫塊分類數(shù)據(jù)集的注釋進(jìn)行精細(xì)調(diào)整.在對(duì)惡性或良性腫塊進(jìn)行整體分類上，該方法的敏感性和特異性的結(jié)果都不錯(cuò).文獻(xiàn)[78]提出了一種在單一預(yù)測(cè)中考慮了軸位和側(cè)斜位中的影像，并且可以預(yù)測(cè)四種輸入大小的乳腺鉬靶影像的卷積神經(jīng)網(wǎng)絡(luò)來分類乳腺癌的方法.該模型根據(jù)患者而不是圖像來分割數(shù)據(jù)，經(jīng)試驗(yàn)證明，其診斷準(zhǔn)確率高于醫(yī)學(xué)專家.文獻(xiàn)[79]的方法是先對(duì)乳腺影像進(jìn)行數(shù)據(jù)增強(qiáng)，并對(duì)預(yù)訓(xùn)練的ResNet50卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)以生成病變區(qū)域，然后進(jìn)行假陽性約簡和輪廓細(xì)化，同時(shí)對(duì)預(yù)先訓(xùn)練的VGG16網(wǎng)絡(luò)進(jìn)行微調(diào)，以對(duì)乳腺鉬靶影像進(jìn)行分類.從以上來看，人工智能在鉬靶圖像的應(yīng)用比較廣泛，無論是基于ML的方法還是基于深度學(xué)習(xí)的方法都有豐富的成果，這些方法能夠提高放射科醫(yī)生診斷的準(zhǔn)確性并能幫助他們做出決策.

4.4人工智能在對(duì)比增強(qiáng)能譜乳腺攝影中的應(yīng)用對(duì)比增強(qiáng)能譜乳腺攝影(CESM)是近年發(fā)展起來的一種乳腺成像技術(shù).CESM依靠注射造影劑后的雙能量采集來提高乳腺攝影的靈敏度.CESM是一種很有前途的乳腺癌診斷方法，近年來也有一些研究探討如何將人工智能應(yīng)用在CESM影像，以對(duì)乳腺腫瘤進(jìn)行分類.Danala G等人[80]開發(fā)了一個(gè)CAD系統(tǒng)對(duì)CESM影像中的乳腺腫瘤進(jìn)行良惡性分類.該方法采用多層地形區(qū)域生長算法對(duì)腫瘤區(qū)域進(jìn)行自動(dòng)分割，然后提取了圖像的4類共計(jì)108個(gè)特征，最后利用基于多特征融合的ML分類器對(duì)腫瘤進(jìn)行分類，該方法充分利用了CESM影像的特點(diǎn)，將低能圖與重組圖像的最優(yōu)分割進(jìn)行相互映射，因此得到了不錯(cuò)的分割結(jié)果.在文獻(xiàn)[81]的研究中，作者提出一個(gè)淺層深度卷積神經(jīng)網(wǎng)路(SD-CNN)，其中淺層CNN用來學(xué)習(xí)從低能圖到重組圖像的非線性映射，然后使用來自公共數(shù)據(jù)庫的89個(gè)鉬靶案例來生成“虛擬”重組圖像.而深層CNN則用來從低能影像、重組或“虛擬”重組圖像中提取特征，用于將病例分類為良性與惡性.文獻(xiàn)[82]對(duì)CESM的低能量和重組圖像手工標(biāo)記出病變的邊界，并從中提取一組形態(tài)和紋理特征，使用帶有特征選擇的ML算法和統(tǒng)計(jì)分析來減少、選擇和組合特征，然后利用選定的特征，使用SVM構(gòu)建預(yù)測(cè)模型對(duì)病變腫瘤進(jìn)行分類，并將分類性能與2名乳腺放射學(xué)醫(yī)生的診斷預(yù)測(cè)進(jìn)行了比較.文獻(xiàn)[83]提出了一種基于感興趣區(qū)域內(nèi)像素點(diǎn)的多項(xiàng)式擬合技術(shù).該技術(shù)能獲得一個(gè)新的病灶特征集用于區(qū)分正常和癌變病例.該方法使用的特征較少，因此這些特征不需要降低維數(shù)就可以將其應(yīng)用于分類器，最后利用k近鄰和人工神經(jīng)網(wǎng)絡(luò)對(duì)腫瘤圖像分類.Perek S等人[84]比較了微調(diào)預(yù)訓(xùn)練網(wǎng)絡(luò)和完全訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)對(duì)CESM乳腺腫塊進(jìn)行良惡性分類.文章通過將BIRADS文本特征以特征融合和決策融合2種方式合并為網(wǎng)絡(luò)的附加輸入來改進(jìn)每個(gè)分類網(wǎng)絡(luò).在分類上，該方法也從影像中提取明顯正常的乳腺組織來引導(dǎo)具體分類取得了不錯(cuò)的分類效果.與其他技術(shù)相比，CESM一次檢查能得到更多病人的影像信息，診斷準(zhǔn)確性更高.然而CESM影像沒有得到廣泛的應(yīng)用導(dǎo)致這類數(shù)據(jù)較少，人工智能在CESM圖像的研究成果還比較少.

5 分析和總結(jié)

本文回顧的目的是評(píng)估人工智能在乳腺影像中的實(shí)際應(yīng)用.為了實(shí)現(xiàn)這個(gè)目標(biāo)，我們回顧了傳統(tǒng)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在乳腺超聲影像、乳腺M(fèi)RI、乳腺鉬靶影像和乳腺能譜圖像中的應(yīng)用.利用傳統(tǒng)的機(jī)器學(xué)習(xí)對(duì)影像處理的方法，無論是對(duì)哪種模態(tài)的圖像處理，大致可以分為圖像預(yù)處理、圖像特征提取與選擇和圖像分類三個(gè)過程.在這些過程中，不同的文章采用的方法也大不相同.圖像預(yù)處理過程有的是進(jìn)行圖像增強(qiáng)，有的是提取圖像的ROI，有的是人工手動(dòng)標(biāo)記圖像輪廓等.圖像特征提取中使用較多的圖像特征有圖像直方圖、形態(tài)學(xué)特征、紋理特征、幾何特征等.圖像分類方法中使用最多的是SVM方法，另外基于ANN、K-NN、決策樹、隨機(jī)森林的分類方法也使用比較頻繁.而深度學(xué)習(xí)方法大多是在對(duì)圖像預(yù)處理后，基于CNN的圖像分類，有的方法還將CNN與SVM相結(jié)合對(duì)圖像進(jìn)行分類.從以上分析來看，不同的方法有很大的差異，其中一些方法被廣泛地使用，一些被較少地使用，而另一些則在低頻率中使用.

6 結(jié)論和展望

本文綜述了人工智能在乳腺影像診斷中的應(yīng)用和研究，總結(jié)了人工智能在乳腺超聲影像、核磁共振影像、鉬靶影像和對(duì)比增強(qiáng)乳腺能譜影像診斷分類上的應(yīng)用.這些成像方式在成像模式上的多樣性為醫(yī)療診斷提供了豐富的信息，研究人員應(yīng)用人工智能的方法將這些影像中的有效信息提取出來，從而可以為臨床醫(yī)生的決策提供幫助，在一定程度上能夠減少診斷錯(cuò)誤.在技術(shù)方面，人工智能可以取得比較好的結(jié)果仍然依靠數(shù)據(jù)，但由于醫(yī)學(xué)影像的特殊性，獲取大量有效的數(shù)據(jù)非常困難.另外醫(yī)療數(shù)據(jù)的結(jié)構(gòu)化也有一定困難，這就使得人工智能在現(xiàn)階段難以廣泛地應(yīng)用于臨床實(shí)踐.另一方面人工智能還是無法代替醫(yī)生的職能，例如醫(yī)師對(duì)患者的交流、安撫等方面.綜上所述，人工智能技術(shù)用于乳腺癌影像診斷取得了一定成就，但也存在許多困難和挑戰(zhàn)，相信只要不斷完善人工智能技術(shù)，將來定會(huì)在乳腺影像診斷方面發(fā)揮更大的作用.