基于深度学习的乳腺癌MRI诊断及亚型识别研究进展

白宛鹭，邢 华，李海滨*

(1.北华大学附属医院 乳腺外科，吉林 吉林 132011；2.吉林大学中日联谊医院 乳腺外科，吉林 长春 130033)

乳腺癌已经成为女性最常见的癌症，核磁共振成像(MRI)在乳腺癌诊断、治疗和预后评估中的作用已逐渐被临床医师认可。随着计算机技术的进步，深度学习已应用于医学的诸多领域，提高了诊断准确率和诊疗效率。本文就深度学习技术在乳腺癌MRI诊断及亚型识别的研究进展进行综述。

1 MRI在乳腺疾病中的应用概述

目前乳腺疾病的常规检查方法包括：彩色多普勒超声、乳腺钼靶、MRI等方法。动态增强MRI检查是乳腺MRI诊断的必要检查序列；T1加权像(T1WI)可以很好的体现乳腺脂肪和腺体的分布情况；而T2加权像(T2WI)可以分辨液体成分，这些序列可以提供乳腺肿瘤更多的信息。动态增强(DCE)MRI检查具有较高的空间分辨率和时间分辨率，通过无间距扫描，获得图像重建，可发现小乳腺癌，对于诊断有更高的灵敏性。有研究表明，以病理结果为标准回顾超声诊断时发现，超声检查虽具有操作便捷，成本较低等特点，但对非典型图像认识不足，较易误诊[1]。另有研究人员将乳腺超声及MRI对乳腺肿物的诊断以病理为“金标准”进行对比，结果显示MRI对乳腺肿物诊断的灵敏性、特异性和准确性均明显高于超声[2]。

目前临床更多的是医生得到影像学图像后根据临床经验的诊断，Uematsu等[3]在MRI图像上发现了三阴性乳腺癌特点，即单灶性病变、肿块病变、肿块边缘光滑、边缘增强不均匀、增强模式持续以及T2加权图像信号强度非常高的MR成像结果。Youk等[4]发现三阴性乳腺癌在DCE-MRI和弥散加权像(DWI)MRI上表现出了一些不同于雌激素受体(ER)+和HER2+的特征。这些方法虽正确，但具有一定医生的主观因素，耗费精力与时间，使患者无法较快的了解自己的病情，降低临床就诊率。放射组学的研究模式推动了MRI乳腺诊断中的应用。通过提取乳腺MRI的放射组学特征，可以通过有监督和无监督的经典机器学习算法训练识别肿瘤良恶性和分子亚型的模型。关于放射组学及其相关的传统机器学习研究本文不做更多的综述。

深度学习在计算机视觉领域已经成功应用，在医学影像分析中也获得巨大进展。关于乳腺癌MRI的深度学习研究也从传统的机器学习模型向深度学习模型发展，从分析流程角度和任务角度，本文就深度学习在乳腺癌MRI诊断中的应用进行综述。

2 深度学习在乳腺癌MRI中的应用流程

深度学习的兴起和突出表现及在图像识别、分割、标记等方向的成功应用，向传统的机器学习策略提出了挑战。深度学习在乳腺癌MRI方向的应用也使乳腺癌MRI诊断和亚型识别等能力得到进一步提升。

在MRI图像上诊断乳腺癌及鉴别其分子亚型上主要需要三大步骤：数据集的选取、数据集预处理、构建模型和验证。对于数据集的选取通常来源于网络公开数据集或各中心的数据集，而现拥有的数据集均存在数据量少、形式单一等缺点，无法满足训练网络模型的需求，同时考虑到不同的深度学习模型需要不同的数据类型，故需要对数据集进行预处理。如陈彤[5]将2400幅288×288尺寸的DICOM格式数据通过旋转、镜像、剪裁等数据增强方法，得到6000个数据样本，用于满足训练需求。但在公共数据集中得到的核磁共振成像样本，由于是从不同设备采集，其像素之间存在差异，可能影响最终结果。Zhu等[6]选择了最常出现的空间分辨率为目标分辨率，并将所有图像配准到这一分辨率中，然后使用双线性插值将具有其他空间分辨率的核磁共振成像缩放至目标分辨率，再将其按比例剪裁，随机平移和旋转并可得到一个同像素且较大的数据集。

从头开始训练是训练卷积神经网络(CNN)最直接的方法，此方法的成功需要两个重要的因素：数据集和网络结构。目前的神经网络包含数十层甚至数百层，导致有众多的参数需要训练，这就对庞大的数据集有严格的要求。而MRI图像数据集可用数据恰恰不足，对于提高数据集并训练模型极具挑战性。迁移学习是目前研究的主要方法，主要分为两步，第一步使用较大的自然数据集对模型进行预训练，也可基于其他的医学影像数据集进行预训练；第二步也是目前作为研究热点的一步，是用所要研究的数据集上对预先训练好的模型进行微调。

3 乳腺癌病灶检测和分割

乳腺癌病灶检测和分割是实现乳腺肿瘤良恶性鉴别和亚型识别的前提。包括乳腺癌放射组学特征的提取，都需要提高MRI的分割能力。深度学习在图像分割中表现突出，也在乳腺MRI领域中得到应用[7]。U-Net是乳腺癌MRI病灶分割最常用的深度学习算法，基于此发展的3D U-Net在充分的训练下，能够达到放射住院医师的诊断准确率[8]。此外还包括区域掩膜卷积神经网络[9]。陈彤[5]将深度神经网络YOLACT网络进行微调，引入难样本挖掘机制，并以MRI乳腺图像数据库为数据集进行模型训练，与YOLACT网络、Mask R-CNN网络进行对比，发现与原模型相比准确率更高，与Mask R-CNN相比运行速度更快。还有研究基于DENSE项目的筛查数据，共对来自4581名女性的致密型乳腺进行的MRI检查，判断正常和发现MRI病变的深度学习模型ROC下的AUC平均面积为0.83(95%CI 0.80-0.85)[10]。周洁洁等[11]选取152例乳腺病变患者，运用模糊C均值聚类法切割病灶，对于乳腺非肿块型病变，选用区域生长法获得肿瘤边界，并对各切割病灶进行分析获得多个特征参数进行后续分割。

4 基于深度学习MRI乳腺肿瘤良恶性鉴别

深度学习的一个分支CNN在医学影像分析方面也取得了长足的进步。CNN是一种临床上常用的深度学习网络，主要应用于病理和影像学图像的识别与分析，并有报道表明其在分割、异常检查、疾病分类和诊断等各种临床任务中具有巨大潜力[12]。卷积神经网络在图像分类任务中表现突出。乳腺MRI分类的主要任务之一就是基于CNN进行良恶性鉴别。Truhn等[13]对人工神经网络(ANN)与CNN对乳腺MRI图像的良恶性诊断进行研究，结果表明尽管对ANN方法进行了调整，但CNN准确率仍高于ANN。应用ResNet50模型[14]把病灶周围组织的特征考虑进来，结合放射组学进行良恶性鉴别，与单独使用肿瘤或使用较大的框相比，使用包含近端周围组织的最小边界框作为输入具有更高的准确性。深度学习还把不同检查时间点的动态增强MRI数据进行整合分析，如应用循环神经网络(RNN)、长短期记忆网络(LSTM)。

5 基于深度学习的MRI乳腺癌亚型识别

尽管对于提取MRI特征的乳腺癌亚型预测方面取得了很大的成功，这些研究都主要依赖于半自动特征提取的方法，关于亚型识别的传统机器学习模型远多于深度学习建模[15]。迁移学习和CNN也是应用深度学习进行乳腺癌亚型识别的主要方法之一。Zhu[16]等人为应用预先训练的VGGNet网络使用MRI数据集对乳腺癌分子亚型进行分类，由于该方法使用的是预先训练的网络提取特征，可再用提取的特征训练传统网络模型，避免过拟合的出现。如前所述，T1WI、 T2WI和 DWI是常用的多参数乳腺MRI成像方法。有人应用CNN提取多参数MRI特征预测Ki-67高表达亚型获得了0.875的AUC值[15]。整合多参数MRI CNN在术前预测腋窝淋巴结转移的准确率达到0.970，AUC值为0.996[17]。基于乳腺癌MRI影像的深度学习还能实现预测新辅助治疗的疗效，准确率达到70%[18]。有人[19]将216名乳腺癌患者的术前MRI图像进行处理，将其在三维仿射矩阵中随机旋转获得更多图像，并制定了14层CNN，使乳腺癌分子亚型预测的准确率达70%。在判断乳腺癌分子亚型的研究中，把患者分为3个亚型，即HR+/HER2-、 HER2+和三阴性乳腺癌，CNN和LSTM的准确率均较高，部分验证集的准确率分别达到了0.91和0.83[20]。

6 展望

目前较大规模的乳腺MRI数据集还十分有限。迫切需要建立数据量大，图像信息丰富，有专业标记信息的乳腺MRI影像数据集，为训练专业领域的病灶分割，良恶性肿瘤分类和亚型识别提供数据支持。同时还要考虑到不同扫描参数可能对后续分析的影响，如何标注数据集，如何充分利用多中心或不同来源的数据也是研究的方向之一。

可解释研究是乳腺癌MRI深度学习研究的另一方向。深度学习的图像分割和分类效果令研究者满意，但所提取的特征和决定背后的逻辑仍然无法解释清晰。因此进一步的探讨乳腺癌MRI深度学习研究中存在的“可解释性”问题是该领域的研究方向之一，这样的研究目前还不多[15]。

多组学研究也是目前研究的热点。目前的研究主要是探讨不同组学之间的相关性。结合分子组学和病理组学等多组学的信息，可以对肿瘤的认识更加全面，有助于对预后、分型和疗效等的判断。但目前把乳腺MRI同时结合分子组学和病理组学的研究有限[21]。

因此应用乳腺MRI影像数据运用深度学习算法，创建更大的数据库、并在此基础上优化更为便捷的模型、快速发现肿瘤并提取乳腺癌各个亚型的特征并进行可解释分析，融合多组学信息并用于临床，是今后所要探索的方向。