在全球范围内，乳腺癌都是威胁女性健康的最主要恶性癌症。有研究表明，早期的筛查诊断和治疗有利于改善患者的预后。在早期筛查诊断中，乳腺微钙化簇类病灶是重要的早期征象，对于乳腺癌的早期发现及临床治疗具有重要的意义。乳腺X线摄影对该类病灶十分敏感，其中乳腺X线断层合成影像(Digital Breast Tomosynthesis, DBT)是一种三维的X射线断层影像，它能一定程度上克服二维钼靶摄影因组织重叠而影响病变观察的问题。
现阶段利用DBT影像进行微钙化病灶的准确筛查及诊断存在以下挑战：第一，微钙化簇病灶分散在三维数据的多张切片中，不利于病灶的整体观察；第二，由于有限角度的重建或者病人潜在的运动，导致钙化点存在伪影，这些挑战容易导致微钙化病灶的误诊，计算机辅助检测及诊断技术能一定程度上缓解医生误诊的现象。
近期，苏州医工所杨晓冬课题组与苏州市立医院东区乳腺筛查中心合作，在基于乳腺DBT影像的微钙化簇检测及假阳性降低算法研究上取得进展。算法的整体流程如图1所示，包括候选样本检测和假阳性降低两部分。候选样本检测部分采用高斯滤波结合区域聚类的方法获得初步的微钙化簇候选样本，之后采用深度学习算法进行假阳性降低任务。针对DBT影像各向异性分辨率的特点，课题组提出了一种三维各向异性卷积神经网络（如图2所示），可以避免各向异性分辨率的影响同时加强了模型对中心切片的特征重用。课题组在收集的包含592例病例的数据集上进行了实验，获得了0.9765的AUC，性能优于其他四种对比算法，具体实验结果如图3所示。
该研究成果“3D Context-Aware Convolutional Neural Network for False Positive Reduction in Clustered Microcalcifications Detection”发表于IEEE Journal of Biomedical and Health Informatics杂志（2020），论文第一作者为郑健研究员，张凡和李铭副研究员为通讯作者。该研究课题得到了美国匹兹堡大学医学院放射科（吴山东教授）、苏州市立医院东区乳腺放射科（蒋可和陈倩医生）等合作单位的大力支持。该项工作受国家重点研发计划（2016YFC0104505、2016YFF0101303）、国家自然科学基金（61701492）、苏州市科技局（SYG201825）、中国科学院苏州生物医学工程技术研究所(#Y753181305、 #Y95K091K05)等项目的经费支持。
图 1 微钙化簇检测算法流程图
图 2 网络结构示意图
图3 相关算法性能对比
此外，课题组还提出了一种高效、准确的计算机辅助微钙化簇良恶性分类算法。针对微钙化簇分散在三维空间的特点，作者创新性地设计了多空间域的影像组学特征并对比分析其对关键信息的描述性能（包含：形状特征、纹理特征、强度特征和上下文特征）。通过有效的特征筛选机制和分类器训练策略，最好的钙化簇病灶良恶性分类模型的AUC值达到0.868（如图4所示）。当分别对比良恶性微钙化簇特征时，发现恶性微钙化簇相比于良性通常分布较广、钙化点更小且更亮（如图5所示）。该算法能较好地在术前对病灶进行无创诊断，有利于提高医生的诊断准确率，减少良性病人不必要的手术伤害和经济负担。
该研究成果“A radiomics method to classify microcalcification clusters in digital breast tomosynthesis”发表于Medical Physics杂志（2020），论文第一作者为研究生彭云松，郑健研究员和陈倩医师为通讯作者。该研究课题得到了美国匹兹堡大学医学院放射科（吴山东教授）、苏州市立医院东区乳腺放射科（胡大章主任、蒋可医生）等合作单位的大力支持。该项工作受国家重点研发计划（2016YFC0104505、2016YFF0101303）、国家自然科学基金（61701492）、苏州市科技局（SYG201825）、中国科学院苏州生物医学工程技术研究所(#Y753181305、 #Y95K091K05)等项目的经费支持。
图 4 微钙化簇良恶性分类ROC曲线（receiver operating characteristic）。
图 5 （a）恶性微钙化簇，其钙化点分布较广；（b）良性微钙化簇，红色圈内为微钙化点，其钙化点分布较为集中，钙化点个数较少。
相关工作的论文链接如下：
论文1链接：https://ieeexplore.ieee.org/document/9120240
论文2链接：https://aapm.onlinelibrary.wiley.com/doi/full/10.1002/mp.14216
附件下载：
