论文：https://ieeexplore.ieee.org/document/9640531
摘要
从动态增强磁共振（DCE-MR）图像中分割乳腺肿瘤是乳腺癌早期检测和诊断的关键步骤。然而，乳腺肿瘤的形状和大小各异，以及背景不均匀，使得在 DCE-MR 图像中准确分割肿瘤变得具有挑战性。因此，在本文中，提出了一种新颖的肿瘤敏感合成模块，并展示了其与肿瘤分割集成后的用法。为了抑制具有与真实乳腺肿瘤相似的对比度增强特性的假阳性分割，肿瘤敏感合成模块可以反馈真假乳腺肿瘤的差异损失。因此，通过在分割预测后集成敏感合成模块，在学习的分割模型中将有效减少与真实肿瘤具有相似对比度增强特征的假乳腺肿瘤。此外，合成模块还有助于提高边界精度，而边界附近的不准确预测将导致更高的损失。为了进行评估，构建了一个包含来自不同患者的 422 个受试者的超大规模乳腺 DCE-MR 图像数据集，并进行了全面的实验并与其他算法进行比较，以证明提出的方法的有效性、适应性和鲁棒性
引入
动态对比增强磁共振成像（DCE-MRI）因其在检测软组织病变方面的高灵敏度（SEN）而成为乳腺癌诊断的一种有前途的工具。标准乳腺 DCE-MRI 协议在注射造影剂之前采集一张对比前 3D 图像，以及注射后不同时间点对应的几张对比后图像。肿瘤和非肿瘤组织通常对对比度增强的反应不同，肿瘤组织通常被试剂显着增强并在图像中呈现高强度
致力于肿瘤分割的研究有很多，但 DCE-MR 图像中乳腺肿瘤分割的研究相对有限。现有的基于可变形模型的方法和基于图谱的方法在医学图像分割领域取得了有希望的结果。但由于乳腺肿瘤的形状不规则、大小可变，以及 DCE-MR 图像中背景不均匀，此类方法不适合处理乳腺肿瘤的分割。对于 DCE-MR 图像中的乳腺肿瘤分割，大多数基于 FCN 的作品直接采用为其他任务设计的现有网络架构，但它们仍然可能存在严重的假阳性问题，并且缺乏精确描绘浸润性肿瘤边界的能力
为此，本文提出了乳腺肿瘤敏感合成模块并将其集成以解决具有挑战性的乳腺肿瘤分割问题。与造影剂对整个图像造成的自然增强特性不同，本文的肿瘤敏感合成模块是专门针对乳腺肿瘤而设计的。具体来说，合成时仅捕获乳腺肿瘤的对比度增强特征，而忽略图像背景以及可能的假增强。因此，这样的合成模块自然会在给定假肿瘤的情况下产生较大的映射误差。通过分割预测后的肿瘤敏感合成模块，能够得到高质量的肿瘤分割结果，这要归功于合成模块的反馈，减少了错误分割。在推理中，只有经过训练的分割主干运行来分割新目标，而不会产生额外的计算成本
本文提出了一种新颖的肿瘤敏感合成模块，仅关注乳腺肿瘤的对比度增强特征。非肿瘤区域如果通过肿瘤敏感合成模块，会导致较大的定位误差。设计了一个简单有效的网络，将学习到的肿瘤敏感合成模块嵌入到分割模型中以抑制错误分割，而该设计可以适应许多最先进的分割网络，而无需额外成本。建立了 422 名受试者的大规模乳腺 DCE-MR 图像数据集，并证明了所提出的方法成功分割乳腺肿瘤的能力
相关研究
本文方法
在标准 DCE-MRI 协议中，在注射造影剂之前采集造影前图像，然后扫描几张造影后图像以形成增强序列。根据美国放射学会 (ACR) 乳腺成像报告和数据系统 (BIRADS) MRI 手册，通常通过将增强序列中的第一张增强后图像与增强前图像进行比较来评估异常增强。因此，在本文的实施中，只考虑每个招募受试者的对比前图像和第一张对比后图像
分割网络
所采用的3D RUNet架构如图所示，使用残差连接来促进模型优化。对于乳腺 DCE-MRI，由于对比度增强，增强前图像和增强后图像存在显着差异，尤其是在肿瘤区域。因此，在分割网络中，对比后图像及其与对比前图像的差值被用作两个输入通道，分割网路的输出由乳腺肿瘤 Mask 监督。由于乳腺肿瘤与正常组织相比相对较小，因此使用 Dice 损失来解决不平衡问题。分割的损失函数定义为
T和B分别指对比后图像和相应的差值图像，G为对应的二元 Ground Truth Mask，F_{seg}()为分割网络预测的概率图。分割网络倾向于尽可能准确地分割乳腺肿瘤，而不会被主要的非肿瘤体素误导
肿瘤敏感性合成模块
DCE-MR 图像中乳腺肿瘤分割的挑战不仅来自肿瘤的不规则形状和可变大小，还来自混杂的非肿瘤组织及其多样性。正常组织和血管可能会以与肿瘤类似的方式呈现增强的对比度，这导致分割困难，并且即使在人类专家中也导致较高的读数变异性。为了解决这个严重的假阳性问题，提出了一种肿瘤敏感合成模块，专注于仅学习乳腺肿瘤的对比度增强特征。该模块可以根据输入的造影前图像合成造影后图像，重点关注肿瘤区域。因此，如果非肿瘤区域通过合成模块，则允许映射产生相对较大的误差
为了实现此目标，本文设计了一个两阶段策略来实现肿瘤敏感性合成模块并用于分割。对比前图像用作输入，相应的对比后图像用作监督。在第一阶段，使用 Ground Truth Mask 来学习肿瘤敏感特征，将输入的对比前图像和监督的对比后图像分成不同类别的区域。在第二阶段，学习的合成模块抑制错误的分割预测，从而替换 Ground Truth Mask 以将输入的预对比图像分成不同类别的区域