论文：https://www.sciencedirect.com/science/article/pii/S0957417423004645

摘要

乳腺动态对比增强磁共振成像（DCE-MRI）在高危乳腺癌的筛查和治疗评估中发挥着重要作用。癌变区域的分割是全面分析乳腺 MRI 的重要步骤。然而，由于癌症在大小、形态和强度外观上的巨大差异，自动和稳健的分割仍然非常具有挑战性。为了缓解这些问题，本文提出了一种简单而有效的两阶段方法，该方法同时利用对比前和对比后的增强信息来分割乳腺癌。特别是，本文首先提供了一个乳腺分割网络来预测感兴趣的乳腺区域（ROI），从而在整个 MRI 扫描中排除胸部区域的混杂信息。此外，受放射科医生充分利用MRI序列进行诊断的检查程序的启发，本文提出了联合阶段注意网络，以挖掘增强前后的表征来分割癌区域

在收集的包含来自 3 个不同中心(一个作为内部数据集，两个作为外部数据集)的 550 名受试者( 748 例经活检证实的乳腺癌)的 DCE-MRI 数据集上，验证了所提出的网络的准确性和泛化能力。主要的评价指标是 Dice 相似系数、Jaccard 指数和平均对称表面距离(ASSD)。我们的网络始终取得了令人满意的分割结果，在一个内部数据集和两个外部数据集上，平均 DICE 为 88.77%/82.77%/83.03%，Jaccard 为 81.27%/71.89%/73.23%，ASSD 为 2.21/3.63/2.69，该方法为乳腺 DCE-MRI 检查提供了一种有效的肿瘤分割方法

介绍

在动态对比增强磁共振成像（DCE-MRI）中，准确地对癌症进行分割仍然非常具有挑战性。首先，癌症在大小、形状和增强表现上经常存在较大的类内差异。其次，一些癌症区域非常微小，可能会被忽略，而良性病变（如结节）和其他结构（如血管）可能会被误认为是癌症。第三，胸腔区域中的混淆信息可能会影响癌症分割的有效性

基于图像处理的方法

Zheng 等人 (2007) 使用图割，通过细化初始的粗略分割来描绘肿瘤区域。Ashraf 等人 (2012) 实现了多通道马尔可夫随机场 (MRF)，并进一步利用从 DCE-MRI 计算的动态特征图来分割乳腺肿瘤。Gubern-Mérida 等人(2015)提取强度和纹理特征来获取肿瘤区域。Bouchebbah 和 Slimani (2021) 基于水平传播策略对 MRI 体积进行逐层分割，然后结合一系列 2D 分割生成 3D 结果。Militello 等人 (2022) 提出了一种半自动方法，该方法利用模糊 C 均值聚类方法结合空间特征来分割乳腺肿块

基于图像处理的分割方法在分析三维体时可能存在计算复杂度较高的问题。此外，它们中的大多数需要人工干预

基于卷积神经网络的方法

Benjelloun 等人 (2018) 直接使用U-Net对乳腺 MRI 切片进行分割，在包含 43 名患者的数据集上实现了 76% 的平均 IoU。Zhang 等人 (2018) 提出了一个分层框架，利用原始和增强的T1序列的差异来分割乳腺病变。该框架在 272 名受试者上进行了验证，得到了 72% 的 Dice 结果。Li 等人（2019）提出了一个多流融合模型来分析 T1/T2 加权序列，其中使用注意力模块作为指导，选择性地融合来自不同序列的有用信息，生成了 77% 的 Dice 结果。Gao 等人（2019）设计了一个带有注意力模块的 2D CNN 架构，在包含 87 名患者的验证集上获得了 81% 的 Dice 结果。Piantadosi 等人（2019）将三时间点策略集成到编码器-解码器架构中进行病变分割，并获得了 61% 的中位数 Dice 值。Qiao 等人（2021）使用对比增强序列的时间信号强度特征进行乳腺病变分割。该方法在包含 59 名患者的验证数据集上获得了 86% 的平均 Dice 结果。Wang 等人（2021）将组合的 2D 和 3D 卷积模块以及上下文金字塔集成 到U-net 中进行乳腺病变分割。该方法在 90 个 MRI 扫描中获得了 76% 的平均 Dice 值。Peng 等人（2022）提出了一种多模态特征融合模型，在 118 名患者上实现了 90% 的 Dice 值。Zeng 等人（2022）提出了一种半监督分割策略，用于分析手动裁剪的 DCE-MRI 图像，在 132 个测试对象上获得了 78% 的 Dice 值

本文思路

本研究的主要动机是通过利用动态对比增强磁共振成像（DCE-MRI）中的全面的前后对比增强信息，开发一个准确且稳健的乳腺癌分割框架。具体而言，该框架首先使用乳腺分割网络排除胸部区域，同时关注乳腺区域，从而缓解类别不平衡问题并消除混淆信息，以便于后续的癌症分割步骤。然后，一个联合阶段注意力网络明确利用全面的前后对比增强特征来精确勾画癌症区域。所提出的框架的优势在来自 3 个不同中心的大规模数据集上得到验证。实验结果表明，所提出的框架始终获得令人满意的分割结果，有助于为乳腺 DCE-MRI 检查提供有效的解决方案。

总结起来，贡献如下：1） 提出了一个简单而有效的两阶段癌症分割框架，首先从整个 DCE-MRI 扫描中提取乳腺区域，然后从正常乳腺组织中分割癌症区域。2） 为了提高准确性和稳健性，我们设计了一种新的注意力机制，全面挖掘前后对比增强特征以表征乳腺癌。设计的联合阶段注意力模拟了放射科医生的检查过程，充分利用MRI序列进行诊断。3）框架的有效性在一个大规模的 DCE-MRI 数据集上得到验证，包括 550 个受试者和 748 个经活检证实的乳腺癌。收集的 DCE-MRI 数据来自 3 个不同的中心，具有不同的数据分布。实验证明了令人满意的准确性和泛化能力

方法

乳腺分割网络

训练阶段，结合交叉熵损失和 Dice 损失，对 BSegNet 进行优化

癌症分割网络

后续的癌症分割可以集中在生成的乳腺 ROI 上。注意，与其使用生成的乳腺 ROI 直接掩盖 DCE-MRI，不如利用 ROI 作为 CSegNet 的额外输入，可以减轻由于可能不准确分割乳房区域而造成的信息损失。此外，由于放射科医师的检查常规是综合分析对比前增强图像和对比后增强图像 (分别记为 C0 和 C1) 进行诊断，CSegNet 也将两者作为输入，并采用新颖的 joint-phase attention (JPA) 模块选择性地学习更具代表性的特征

CSegNet 的关键思想是在每个编码阶段从对比度增强前和对比度增强后的特征中选择有用的互补信息来细化聚合特征。这是通过 JPA 模块实现的，该模块可以通过挖掘对比前后增强特性之间的互补性和差异，自适应地重新校准特性响应

JPA 模块

设计的 JPA 模块包括三个主要操作：求和计算、差值计算和聚合。