本研究回顾性分析了198例女性患者的乳腺动态增强磁共振成像（DCE-MRI）图像序列，年龄21~79（45.5±13.7）岁。以病理检查为金标准，采用深度学习方法建立CBAM-ResNet自动分类模型，统计图像级别的分类结果，同时结合集成学习思想得到患者个体的分类结果。基于残差网络的CBAM-ResNet分类模型在单张图像层面对乳腺肿瘤的分类准确率达到82.69%，灵敏度为85.67%。采用投票机制后，在患者层面的分类准确率为88.24%，灵敏度为87.50%。试验结果表明该分类算法具有较高的诊断准确率。
乳腺癌是女性人群中常见的恶性肿瘤之一，其发病率呈逐年升高的趋势［1］。研究表明，乳腺癌术后10年生存率可达60%，早期乳腺癌得到有效治疗后，存活率可达80%。因此，早期发现并积极进行临床诊治非常重要［2］。临床上乳腺癌肿瘤的良恶性诊断［3］通常需要结合患者的临床表现、影像学检查和组织病理检查等。乳腺的影像学检查的主要模态包括超声、钼靶X线检查［4］以及磁共振成像（MRI）等。其中乳腺钼靶X线检查是乳腺检查的首要筛查方法，但X线检查的准确率低，并且X线检查不适合40岁以下的育龄期女性，具有一定的局限性。随着MRI技术的发展，尤其是对比增强技术的应用，乳腺动态增强磁共振成像（DCE-MRI）检查［5］提高了MRI对乳腺肿瘤诊断的灵敏度和准确率。本研究基于乳腺DCE-MRI，首先采用深度学习方法建立残差网络模型，自动获取DCE-MRI中的肿瘤特征，并对这些肿瘤进行判别分类，得到患者单张断层图像的结果。再将患者所有断层图像序列的分类结果进行融合，从而得到患者的良恶性预测结果。
1. 研究对象：本研究为诊断性试验，回顾性筛选了2015年9月至2018年12月在中日友好医院进行乳腺肿块检查的5 208例患者。分别进行了钼靶X线检查和DCE-MRI检查，其中只有部分患者进行了病理活检。最终入选198例患者的DCE-MRI数据，全部为女性，年龄21~79（45.5±13.7）岁。纳入标准：（1）首次发现乳腺肿块，无放疗史及手术史；（2）在钼靶X线检查中，影像学特征不明显且医生判别困难的美国放射学会的乳腺影像报告和数据系统（BI-RADS）分级3级可疑良性或4级可疑恶性病例；（3）经过粗针穿刺活检，有病理穿刺结果或手术病理结果；（4）单侧肿块，或双侧肿块中一侧肿块明显大于其他肿块。排除标准：（1）无病理或者病理资料不完整的患者；（2）之前接受过乳腺癌治疗的患者，如手术、放疗和化疗；（3）之前接受过其他乳腺手术，如乳腺整形手术等的患者；（4）乳腺中有多处病变并且病灶区域大小相似的患者。本研究符合《赫尔辛基宣言》对伦理的要求。
2. DCE-MRI数据采集：所有患者均使用MRI扫描仪（MAGNETOM 750W 3.0T，美国GE公司）和专用八通道双乳房线圈采用俯卧位扫描。MRI扫描仪的参数：重复时间（TR）/回波时间（TE）为4.1 ms/2.3 ms，空间分辨率为（0.625×0.625×5）mm3，每个图像扫描序列都具有相同的284张图像。增强扫描时首先进行第1期T2加权蒙片扫描，然后在静脉内注射0.2 mmol/kg剂量（流速为2.5 ml/s）的造影剂，注射完成后进行6期动态增强扫描，每期之间无间隔进行。
3. DCE-MRI分类方法：（1）图像数据预处理：首先选择包含有病灶肿瘤的断层图像，然后根据医生提供的肿瘤区域坐标信息，以病灶位置为中心截取128×128的图像区域，获得感兴趣区域图像；（2）基于卷积注意机制（CBAM）-ResNet断层图像分类：采用的基于CBAM-ResNet分类模型的主要结构如图1所示，选取ResNet作为特征提取的基础网络，利用残差层和池化层的交替连接来获取图像不同层次特征；并且为了保证特征的有效性，在前3个残差层后面添加CBAM层，构成CBAM-Res特征提取模块；最后通过全连接层整合前层网络提取到的具有类别区分性的信息，输入到特征分类器Softmax中对断层图像进行分类。分类器最后输出断层图像的良性和恶性的预测概率值，当预测恶性概率值>0.5时，判别为恶性；恶性概率值<0.5时，判别为良性；（3）基于集成学习的患者分类：为了获得患者个体的良恶性预测结果，采用类似于集成学习的分类方法。把每张断层图像分类结果看作是单个分类器结果，然后将多个断层图像分类结果集成组合在一起，使它们共同完成对整个患者 MRI影像序列即患者个体的分类任务。采用多数投票规则作为影像序列断层图像集成融合机制，即输出有效断层图像中占比较多的类别作为患者的分类结果。
注：CBAM为卷积注意机制
4. 统计分析：使用Python语言编写软件程序进行试验结果的统计分析，计算分类的准确率、灵敏度和特异度，来评断分类模型的性能；同时绘制受试者工作特征（ROC）曲线评估算法对良恶性肿瘤的识别能力，并计算该曲线下面积（AUC）来定量分析和比较。双侧检验，检验水准α=0.05。
1.病理学检查结果：198例乳腺肿瘤患者中，良性患者123例，恶性患者75例。
2. 患者断层图像分类结果：选择ResNet、CNN、DenseNet和ResNeXt 4种不同的网络结构作为基础网络，在其基础上采用CBAM模块进行特征重标定，构建4种基于CBAM的分类网络模型，分别为CBAM-CNN、CBAM-DenseNet、CBAM-ResNeXt、CBAM-ResNet，使用同样的数据分别对其进行测试。在相同的参数设置的基础上，4种分类网络模型的分类准确率均在80%以上。其中本研究中的CBAM-ResNet模型的分类灵敏度是85.67%，明显高于其他3种分类网络模型的灵敏度（分别为70.06%、65.61%、78.34%）。
CBAM-ResNet分类模型的AUC达到0.917 3，优于其他3种分类网络模型的AUC。同时在临床可接受的特异度范围（0.10~0.33）内，CBAM-ResNet分类模型的ROC曲线更趋向于左上角，具有较高的灵敏度，进一步验证了CBAM-ResNet模型的分类诊断价值最佳（图2）。
注：CBAM-ResNet为加入CBAM的ResNet分类模型；CBAM-CNN为加入CBAM的CNN分类模型；CBAM-DenseNet为加入CBAM的DenseNet分类模型；CBAM-ResNeXt为加入CBAM的ResNeXt分类模型；CBAM为卷积注意机制；AUC为曲线下面积
3. 患者个体分类结果：基于均值投票和最值投票的分类准确率分别为0.750 5、0.758 7，灵敏度分别为0.512 1和0.608 7；基于多数投票规则融合机制的分类准确率可以达到88.24%，灵敏度为87.50%。基于均值投票的分类性能明显高于另外基于两种规则融合机制的分类结果。
基于乳腺DCE-MRI进行肿瘤良恶性分类作为辅助乳腺肿瘤早期诊断是近几年来的热门方向之一，深度学习作为一种新的分类方法已在医学图像分析中被广泛应用。
深度学习模型能够学习到图像不同层次的特征，具备较高的诊断准确率。Zheng等［6］采用ResNet50网络进行良恶性分类，分类灵敏度达到81.50%。Antropova等［7］利用迁移学习的方法，得到分类AUC为0.85。Ha等［8］则是搭建了14层CNN对乳腺图像进行分类，分类准确率是70.00%。Jia等［9］构建的多通道输入3D CNN网络在其试验中对患者个体分类的准确率为73.69%。这些研究结果表明，基于DCE-MRI使用深度学习方法预测乳腺肿瘤良恶性具有较大的应用价值，但是分类准确率有待提高。
本研究提出了一种基于CBAM-ResNet模型的深度学习方法提取DCE-MRI特征并进行乳腺肿瘤分类，同时利用集成学习思想将多张断层图像的分类结果融合，得到患者个体的分类预测结果。本研究结果表明，融合了CBAM的CBAM-ResNet分类模型能够较好地将恶性肿瘤判别出来。该模型对于断层图像的分类准确率可以达到82.69%，灵敏度为85.67%，AUC为0.917 3，这是由于ResNet的残差结构中的直连通道可以跳过一层或几层，浅层的信息可以直接输入至后层，网络只需学习上一个网络输出的残差，这样避免了梯度爆炸的问题，使网络可以进行深层次的训练，实现良恶性肿瘤的高精度分类。
此外，本研究在断层图像分类的基础上，利用集成学习的方法，将患者每张断层图像分类结果看成单个分类器的结果，通过投票机制对多个断层图像分类结果进行集成组合，共同完成对患者个体的分类任务。本试验结果中，对患者个体进行良恶性预测的准确率是88.24%，特异度为89.47%，灵敏度为87.50%。说明首先对断层图像分类再对患者分类的方法可以获得良好的分类准确率。综上所述，本文提出的CBAM-ResNet分类模型可以准确地将患者断层图像的良恶性判别出来，并且通过集成学习融合多张断层图像结果后，在患者层面可获得较高的分类准确率，有望未来真正应用于临床工作中，为临床诊断带来更高的准确性。
本研究仍存在一些方面有待改进和完善。本研究在截取感兴趣区区域时，是利用医生标注的肿瘤区域来计算截取的中心点，此方法仍需要人工标注，未来将先对肿瘤区域进行智能自动检测，以减少临床医生的工作量，提高计算效率。另外，未来工作中将对本研究的分类结果与不同年资医生分类准确率进行统计分析，为临床提供有效的分类参考和技术辅助。
所有作者均声明不存在利益冲突
