摘要

本文由Tanyel等人在《通过深度学习进行乳腺摄影定位评估》一文中提出，针对乳腺癌全球高发的现状，特别是通过乳腺摄影筛查早期发现的重要性，强调了乳腺摄影中正确位置的关键性。文章介绍了一种创新的深度学习方法，用于定量评估乳腺摄影中MLO视图的位置质量，通过识别关键解剖标志如乳头和胸大肌，自动绘制后乳头线（PNL），提供了一种比传统分类和回归方法更稳健且可解释的替代方案。研究结果显示，结合注意力机制和CoordConv模块的模型在分类乳腺摄影位置质量和检测解剖标志方面提高了准确性，为乳腺摄影领域开启了开放研究的新篇章。

原理

本文提出的深度学习方法通过使用注意力机制和坐标卷积模块（CoordConv）来改进乳腺摄影图像中关键解剖标志的检测。CoordConv通过在卷积操作中加入空间坐标，增强了模型对空间层次的理解能力。注意力机制则帮助模型聚焦于图像中最重要的特征，从而提高了检测的精确度。此外，研究中还采用了Landmark-Aware Wing Loss，这是一种专为提高模型预测标志点坐标准确性而设计的损失函数，它结合了Wing Loss对小误差的敏感性和线性部分对大误差的适度响应，确保了模型在处理不同大小误差时的有效性。

流程

研究首先从VinDr Mammography数据集中选取了1000个考试的2000张MLO视图乳腺摄影图像。图像经过预处理步骤，包括提取关键标志点、标准化胸大肌端点、隔离乳房区域、零填充和调整大小至512x512像素。随后，使用包括UNet、Attention UNet和CoordAtt UNet在内的多种模型进行训练和测试，每个模型都配置了单输入通道和六输出通道对应三个标志点的x, y坐标。训练过程中，模型在NVIDIA L4 GPU上进行，使用Adam优化器和CyclicLR调度器调整学习率。最终，通过计算预测标志点与实际标志点之间的欧几里得距离和角度误差来评估模型的性能。

应用

该研究提出的方法不仅限于MLO视图的评估，未来工作将扩展到CC视图，以提供更全面的乳腺摄影位置评估。此外，该方法的应用前景广阔，可以显著提高乳腺摄影筛查的效率和准确性，减少因位置不当导致的重复检查，从而降低成本并减轻患者压力。随着技术的进一步发展和临床验证，这种方法有望成为乳腺摄影筛查的标准工具，对提高乳腺癌早期诊断率和患者生存率具有重要意义。