作者：周靖宇，成官迅，北京大学深圳医院医学影像科
乳腺癌位居中国女性恶性肿瘤发病率的第一位，严重威胁到广大女性的身心健康，并且其发病趋势逐渐趋于年轻化。早期诊断和恰当治疗可以大大减低其死亡率，在这个过程中乳腺X线摄影、超声、磁共振等影像评估起着不可或缺的重要作用。磁共振具有安全、可靠、无创及无辐射等特点。
近年来已经成为乳腺癌诊断、治疗评估的重要手段。不同影像技术特性、图像质量和人眼主观判断等因素均影响着诊断的准确性，因此计算机辅助检测与诊断系统（computer-aided detection and dignosis systems,CADs）应运而生，用于提高放射诊断医师发现乳腺病变的能力和辅助诊断。CADs可以与多种影像检查技术如乳腺X线摄影、超声、磁共振和组织病理学图像结合，其运作过程主要分为四部分：图像的预处理、目标分割、特征提取和分类判别。笔者总结近年来基于乳腺磁共振的计算机辅助检测与诊断系统的技术进展和应用现状。
1.技术进展
传统的计算机辅助检测与诊断系统根据功能和目的，可分为辅助检测和辅助诊断两部分。辅助检测系统旨在发现病灶，尤其是在数据量繁冗的情况下，而辅助诊断系统着重于进一步分析图像特征，目前以辅助检测系统的研究较多。以下将从图像预处理、目标分割、特征提取、分类判别四个步骤分别介绍计算机辅助检测与诊断系统研究进展。
1.1图像预处理
图像的预处理是目标分割和特征提取的基础，因此该步骤非常重要。预处理包括图像大小调整，图像降噪和图像增强。常用的是直接增强法如直方图均衡化和施加中值滤波、小波滤波和混合滤波。视觉效果增强法则是通过拉伸特定范围内的灰度从而增强其可视化效果。部分学者尝试使用重新编码法，通过转换函数把原图像变换成特殊纹理图像空间然后在该空间进行分析处理，经过预处理以后，图像更适于计算机识别和提取特征。
1.2目标分割
目标的准确识别分割直接决定了计算机检测诊断的成功与否。根据计算机识别分割过程中放射科医师参与的程度，可分为全自动分割（如基于整体三维形态或统计意义自动分割）、半自动分割（如阈值分割、区域增长或模糊C聚类等）与交互式分割（人工选定勾划病灶范围后再切割边缘）。相比半自动分割，全自动分割有速度快、适用性广等特点；相比交互式分割，全自动分割则有着结构简单、人为操作少等特点，为CADs的广泛应用奠定基石，但是全自动分割的准确率有待进一步提高。
1.3特征提取
目标区域分割完成以后，需对分割的目标进行多维度的特征提取才能达到计算机辅助诊断的目的。结合临床医师的需求，CADs在医学领域常用的特征包括以下几大类，即形态学特征、动态增强特征、纹理特征。动态增强特征可以直接通过动态增强曲线提取，也可以通过药代动力学模型和数学模型提取。灰度纹理特征通常是基于灰度共生矩阵、灰度游程矩阵等矩阵计算，当目标方差较小，灰度占主导地位；当目标方差较大，则纹理占主导地位，纹理与局部灰度及其空间分布相联系的。
研究表明基于动态增强和纹理学角度的特征对乳腺病变诊断的意义要大于普通形态学特征。特征数越多，检测时间则越长，并且不同特征之间对于分类判别的效果存在优劣权重，因此优化特征集也是CADs研究的热点。研究者可以通过贝叶斯决策、主成分分析、线性判别分析以及遗传算法等来优化特征集。
1.4分类判别
分类判别是CADs应用的最后步骤，是其临床实践价值的直接体现，监督分类需要预设和定义所有类别，在深度学习过程中所有特征需提取完全，判断过程较稳健，而非监督分类不需要预设所有类别，并且在判别过程中可能发现新的类别。基于反向传播的神经网络分类器通过采集少量特征代入分类器，以强化学习为基础优化分类器，初期能提高准确性，再通过遗传算法优化后的神经网络算法兼具神经网络泛化的映射能力，同时还能提高神经网络的收敛性和深度学习能力从而收敛到全局最优解。尽管有诸多分类器，如贝叶斯分类器、自组织特征映射分类器、支持向量机、神经网络（组合、概率、递归、基于遗传算法及多层认知等）以及综合多种技术的多态分类器，这些分类器研究均是在基于反向传播的神经网络的基础上发展起来的，存在强化学习的问题，受训练数据集大小与样本质量的局限，在所有分类器中支持向量机法分类器的准确度比较好。
2.临床应用
2.1乳腺原发性病变
Gallego-Ortiz等通过多组对比和递进层叠对比后认为对乳腺病变先行肿块型和非肿块型分类后，再行良恶性分析有助于提高诊断正确率，并且纹理特征和增强特征在肿块性病变诊断中权重较高，而形态特征在非肿块性病变诊断中权重较高。研究表明双侧乳腺背景实质的影像学特征对比有助于判断非肿块性病变良恶性，甚至可以用于评估乳腺癌罹患风险。利用影像学特征与基因表达特征之间的关联进行癌症的辅助诊疗，即影像基因组学。乳腺领域影像基因组学尚在起步阶段，但是已经有一些意义重大的发现表明，乳腺癌MRI影像特征与分子分型存在一定的统计关联。
luminalB型分子分型乳腺癌病灶与背景实质间动态增强率的比值较大，luminalA型偏度较低和紧致度较高，偏度反映像素的不均衡性，体现病灶异质性，而紧致度反映边界的光滑圆润程度，即病灶有较低的异质性以及不规则性，符合其生物学特性和临床表现。部分实验发现HER-2型病变侧背景实质的动态增强率高于其他分子分型，一定程度上体现了HER-2型代谢速率较快、预后较差的特点。尽管Grimm等认为，CADs尚不能区别BASAL和HER-2阳性型乳腺癌，但是，Agner等研究认为通过CADs鉴别三阴性乳腺癌、HER-2阳性和阴性乳腺癌是可行的。
2.2乳腺癌新辅助化疗评估
新辅助化疗是局部进展期乳腺癌的一种常规疗法，早期评估新辅助化疗疗效可用于预测化疗病理缓解程度，指导调整用药方案，选择适当的降期手术时机。研究表明，依托于放射医师肉眼判断和测量动态强化曲线的传统MRI影像学研究能一定程度上预测疗效。与传统影像学对比，CADs可以更加精确地评估和预测新辅助化疗疗效。CADs提供了更多的人力不能及的影像学特征，如病灶体积的大小、边界形状的变化、动态曲线的转换、增强率的减低、病灶实质纹理的改变等，均能很好地预测新辅助化疗疗效，其中增强特征动态曲线类型转换和纹理特征熵的诊断效能较高。在整体评估上，Aghaei等认为整体乳腺平均强化率对乳腺癌化疗反应预测的敏感性高于病灶最大强化率。
Hattangadi等研究发现，新辅助化疗2周期后出现乳腺背景信号增强率高的患者复发率更低、无病生存期更长，可以作为新辅助化疗疗效预测的重要指标。CADs评估和预测新辅助化疗疗效优点是敏感性高，而缺点是假阴性的出现，假阴性往往发生在化疗前动态曲线为持续缓升型的病例。
2.3乳腺癌复发的评估
传统影像学评估难以鉴别乳腺癌早期的残存复发灶和化疗后纤维化，相关的研究应用较少。而CADs通过多维度影像特征的分析能获得更多信息，因此被国内外学者寄予厚望。Kim等研究发现，含有新生肿瘤微血管的乳腺癌残存复发病灶与化疗所致纤维化具有不同的CADs影像特征，有助于两者鉴别。Sutton等通过逐步多重线性回归分析发现，乳腺癌纹理特征与复发评分分数（recurrence score,RS）存在一定的关联性，并构造出两者的最佳拟合线性回归模型用于评估乳腺癌复发风险，在同一研究中，尽管差异性尚不显著，他认为动力学参数同样具有预测乳腺癌复发风险和化疗效果的潜力。
Kim等研究显示在手术或化疗前采用CADs分析的增强特征可以用于预测患者无疾病生存期和复发率，其风险比大于1，最大强化率特征鉴别复发和非复发病患之间的受试者工作特征曲线下面积为0.72。CADs在乳腺癌复发预测中也显示了良好的应用前景。
3.展望
CADs自问世以来便引起广泛关注，如今已有许多研究成果涌现，但是大多数是停留在检出病灶方面，而病变诊断研究较少。CADs应用的局限性主要有：①CADs流程从图像预处理、病灶分割到特征提取、分类判别均存在多种方法，也各有优劣，各个步骤缺乏最优组合的共识；②全自动识别非肿块型的病变敏感性不高，以阈值法为例，过低或过高的阈值均导致假阳性增加；③在病灶分割步骤仍然依赖于交互式分割，其标记范围不可避免受到观察者间差异或观察者内误差影响；④当前研究的样本数量普遍较少，而CADs依靠大量数据深度学习训练来逐步提高准确率。尽管存在上述局限性，但CADs还是能在一定程度上提高放射科医师的病变检出能力和诊断准确率，尤其是在年轻医生中作用更显著。
随着CADs在技术和算法的不断完善，CADs成为临床应用方面的可靠工具指日可待，不仅可用于进行乳腺癌高危人群筛查、寻找隐匿性原发性乳腺癌、乳腺病变良恶性诊断，还可应用于乳腺癌术前分期、评估新辅助化疗效果、预测患者预后及复发转移风险等多个方面。
来源：周靖宇,成官迅.基于MRI的乳腺癌计算机辅助检测与诊断系统的应用和进展[J].功能与分子医学影像学(电子版),2017,6(04):1349-1353.
