基于深度学习的乳腺钼靶图像钙化与肿块检测研究综述.docVIP

基于深度学习的乳腺钼靶图像钙化与肿块检测研究综述

乳腺疾病是全球女性健康的重大威胁，其中乳腺癌的发病率已居女性恶性肿瘤首位，早期筛查与诊断是降低乳腺癌死亡率的关键。乳腺钼靶X线摄影因操作简便、成本低廉、敏感度较高，成为乳腺癌早期筛查的首选影像学手段。钼靶图像中，钙化点与肿块是乳腺癌最典型的早期征象：微钙化簇通常提示导管内癌的存在，其形态、分布特征与恶性程度密切相关；肿块的边缘毛刺、密度不均等表现则是浸润性癌的重要诊断依据。传统计算机辅助检测系统多依赖人工设计的特征提取算子，对钙化点的细微形态差异、小尺寸肿块以及致密型乳腺背景下的病灶识别能力有限，易出现漏诊与误诊。近年来深度学习技术在计算机视觉领域的突破性进展，为乳腺钼靶图像的病灶自动检测提供了全新的解决方案，相关研究成果显著提升了检测精度与临床应用价值。

一、乳腺钼靶图像预处理技术进展

预处理是提升深度学习模型检测性能的基础环节，其核心目标是消除图像噪声、统一图像标准、增强病灶特征对比度，同时降低不同设备、不同拍摄条件带来的图像异质性。目前主流的预处理技术主要包括去噪、归一化、感兴趣区域提取以及数据增强四大类。

在去噪处理方面，传统的高斯滤波、中值滤波方法易导致钙化点边缘模糊，近年来研究者提出了多种结合医学图像先验知识的去噪算法。例如基于非局部均值的去噪算法通过相似块的加权平均抑制噪声，同时保留微钙化的高频细节信息；基于生成对抗网