馮晨雅 秦耿耿 陳衛(wèi)國(guó)

乳腺癌是危害女性健康最常見的惡性腫瘤之一，近年來其發(fā)病率逐年增長(zhǎng)，且發(fā)病年齡趨于年輕化[1]?！霸绨l(fā)現(xiàn)、早診斷、早治療”是降低乳腺癌病人死亡率的關(guān)鍵，盡早對(duì)乳腺癌病人進(jìn)行確診及治療，可使死亡率降低40%以上[1-2]。目前，乳腺X 線攝影是篩查乳腺癌首選的檢查方法[3]，乳腺超聲、專用乳腺CT 及乳腺M(fèi)RI 是重要的補(bǔ)充影像檢查手段。為了幫助影像診斷醫(yī)生更好地區(qū)別病灶與乳腺腺體實(shí)質(zhì)，計(jì)算機(jī)輔助診斷（computer-aided detection/diagnosis，CAD）技術(shù)應(yīng)運(yùn)而生，而且成為國(guó)內(nèi)外研究的熱點(diǎn)。CAD 中最重要的一環(huán)是對(duì)病灶進(jìn)行分割。國(guó)際上很早已經(jīng)開始對(duì)乳腺病灶的分割技術(shù)進(jìn)行研究，但國(guó)內(nèi)對(duì)此研究相對(duì)較少[2]。隨著人工智能研究的發(fā)展，乳腺病灶分割受到更多關(guān)注。腫塊是乳腺癌最常見、最基本的表現(xiàn)，因此腫塊分割尤為重要。本文就不同影像檢查手段中乳腺腫塊的分割技術(shù)研究現(xiàn)狀及進(jìn)展予以綜述。

1 乳腺病灶分割概述

病灶分割是根據(jù)影像上病灶與背景區(qū)域的差異將病灶分離出來，以便更好地觀察，從而提高診斷效能，避免不必要的活檢。CAD 很重要的一步是對(duì)乳腺影像進(jìn)行病灶分割，后續(xù)的診斷都是建立在良好病灶分割效果的基礎(chǔ)上。乳腺腫塊的形態(tài)、密度、灰度等具有多樣性，這增加了腫塊分割的難度。因此，如何將腫塊從腺體組織里分離出來尤為重要。

2 乳腺腫塊的傳統(tǒng)分割方法

乳腺腫塊傳統(tǒng)的分割方法多為基于圖像的處理方法，可分為基于邊緣、區(qū)域、閾值和特定理論的分割方法等[4]。

2.1 邊緣 由Kass 等[5]提出的基于參數(shù)的活動(dòng)輪廓模型（Snake 模型）是較常使用的邊緣分割方法。這種模型使用局部輪廓曲率控制輪廓曲線的連續(xù)性和平滑性，并通過結(jié)合圖像特征來計(jì)算得到輪廓的邊緣，但此種方法容易產(chǎn)生假邊界。凸活動(dòng)輪廓模型需要預(yù)定義閾值以固定進(jìn)行腫塊分割時(shí)使用的最佳輪廓的全局最優(yōu)解，但固定閾值或手動(dòng)調(diào)整閾值都不切實(shí)際。為了解決這個(gè)問題，Acho 等[6]提出了一種凸活動(dòng)輪廓模型的閾值優(yōu)化方法，使用粒子群優(yōu)化得到的腫塊概率矩陣來確定閾值。但是，該方法收斂速度較慢，容易收斂到局部極小值，即使調(diào)整了T1值，仍不能成功分割灰度值與周圍背景組織相似的腫塊。

三維自動(dòng)乳腺超聲系統(tǒng) (automated breast ultrasound systems，ABUS）和專用乳腺 CT 可以生成乳腺三維影像，并可避免乳腺X 線攝影中組織重疊導(dǎo)致的腫塊遮蓋，因而得到廣泛應(yīng)用[7-8]。Kuo 等[9]選取了一條徑向梯度指數(shù)(radial gradient index，RGI)最高的輪廓線用于產(chǎn)生最終的腫塊輪廓；Gu 等[10]根據(jù)此線提出了一種基于邊緣的變形模型。而Kozegar等[7]則在三維ABUS 中，根據(jù)前人經(jīng)驗(yàn)提出了一種新的半自動(dòng)分割腫塊的方法（即結(jié)合腫塊信息的兩階段分割算法），第一階段采用新的自適應(yīng)生長(zhǎng)算法對(duì)腫塊邊界進(jìn)行粗略估計(jì)，第二階段在此基礎(chǔ)上提出了一種新的基于邊緣的變形模型。此種新的分割算法根據(jù)腫塊分割相似度系數(shù)（Dice）測(cè)度獲得了精確的腫塊分割結(jié)果。Kuo 等[11]將水平集方法擴(kuò)展到動(dòng)態(tài)增強(qiáng)（dynamic contrast enhanced,DCE）乳腺CT 三維影像上，并使用RGI 分割生成初始輪廓，結(jié)合主動(dòng)輪廓模型，增加3 個(gè)停止標(biāo)準(zhǔn)來終止腫塊邊緣處的迭代輪廓演化過程，通過計(jì)算與手工勾畫病灶輪廓的重疊率來評(píng)估自動(dòng)腫塊分割算法，結(jié)果顯示該算法重疊率＞0.65（Dice 系數(shù)為 0.7），可以很好地應(yīng)用于乳腺CT 影像中腫塊的分割。

2.2 區(qū)域 2001 年Chan 等[12]基于區(qū)域性水平集方法和Mumford-Shah 泛函理論提出基于區(qū)域的水平集活動(dòng)輪廓(chan-vese，C-V)模型，并于次年結(jié)合一種特殊的多相水平集公式，將該模型擴(kuò)展到多種圖像分割[13]。而Liu 等[14]則在C-V 模型的基礎(chǔ)上提出了一種基于指數(shù)加權(quán)平均比率 (ratio of exponential weighted averages，ROEWA) 算子改進(jìn)的 C-V 模型，主要適用于含有斑點(diǎn)噪聲的超聲圖像，相較于輪廓初始化+C-V 模型，該算法在腫塊分割上具有更優(yōu)的準(zhǔn)確度和更快的分割速度。Hmida 等[15]提出一種新的乳腺腫塊分割方法，首先初始化興趣區(qū)（ROI）的輪廓，然后將模糊輪廓與C-V 模型結(jié)合，得到描繪腫塊輪廓的最終模型。該模型平均真陽性率為91.12%，精確率為88.08%。

2.3 多種方法結(jié)合 隨著新方法的提出，與一些特定理論相結(jié)合的圖像分割方法備受關(guān)注。近年有研究提出結(jié)合2 種方法，將不同算法優(yōu)缺點(diǎn)互補(bǔ)從而取得較為理想的結(jié)果。Chu 等[16]使用形態(tài)學(xué)增強(qiáng)和簡(jiǎn)單線性迭代聚類（simple linear iterative cluster，SLIC）方法檢測(cè)乳腺腫塊，并取得良好的效果。SLIC是一種基于K 均值（K-means）聚類算法常用的超像素分割方法。形態(tài)學(xué)增強(qiáng)可以提高腫塊區(qū)域與乳腺背景對(duì)比度，更好地顯示腫塊邊界，使得SLIC 方法能夠基于簡(jiǎn)單的特征即可獲得令人滿意的分割性能，表明形態(tài)學(xué)增強(qiáng)和SLIC 結(jié)合對(duì)提高現(xiàn)有CAD系統(tǒng)的分割性能有很好的應(yīng)用前景。而Gu 等[17]提出了一種基于超像素生成和曲線演化的乳腺腫塊分割三步法，首先采用SLIC 方法和基于密度的含噪空間聚類（density-based spatial clustering of applications with noise，DBSCAN）方法生成乳腺 X 線影像的超像素，然后構(gòu)建乳腺腫塊的ROI，最后提出了一種基于局部高斯分布（local Gaussian distribution，LGD）擬合、圖形塊先驗(yàn)和空間約束的隱式水平集方法來驅(qū)動(dòng)曲線并捕捉乳腺腫塊的邊緣。該方法排除了ROI 假陽性區(qū)域，能更精確地捕捉乳腺腫塊的邊緣，具有較好的分割效果。

乳腺M(fèi)RI 是檢查乳腺疾病的重要補(bǔ)充影像手段，在原位癌及無鈣化病灶的診斷中具有重要意義[18]。褚等[19]提出一種基于超像素和改進(jìn)C-V 模型的三維全自動(dòng)分割方法，利用MRI 序列幀間的相關(guān)性，采用超像素算法提取腫塊的大致輪廓，再用改進(jìn)的C-V 水平集算法對(duì)可疑病灶邊緣進(jìn)行優(yōu)化，可以得到更接近腫塊實(shí)際邊緣的邊界，較好地解決了乳腺M(fèi)RI 序列中腫瘤的三維分割問題，其準(zhǔn)確率高且具有較高的分割精度，以手動(dòng)分割輪廓為基準(zhǔn)，該分割方法平均重疊率為87.84%，對(duì)比C-V 模型為58.90%，超像素和水平集結(jié)合為76.36%，K-means+C-V 為 83.62%。

3 乳腺腫塊的人工智能分割方法

由于乳腺影像中噪聲和偽影較多，背景復(fù)雜多變，病灶與背景的對(duì)比度差，因此傳統(tǒng)的腫塊分割方法結(jié)果往往不佳。近年來，隨著計(jì)算機(jī)技術(shù)及人工智能研究的發(fā)展，許多新興的與人工智能相關(guān)的乳腺腫塊分割技術(shù)應(yīng)運(yùn)而生。人工智能分割方法包括傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。

3.1 傳統(tǒng)機(jī)器學(xué)習(xí) 傳統(tǒng)機(jī)器學(xué)習(xí)是利用經(jīng)驗(yàn)學(xué)習(xí)改善算法的一種人工智能學(xué)習(xí)方法。傳統(tǒng)的機(jī)器學(xué)習(xí)方法包括支持向量機(jī)、隨機(jī)森林、聚類算法等[20]。Panigrahi 等[21]提出了一種新的多尺度高斯核誘導(dǎo)模糊C 均值聚類方法（multi-scale Gaussian kernel induced fuzzy C-means clustering method,MsGKFCM）用于自動(dòng)提取ROI 中的病灶，以劃定腫塊的邊緣，并在此基礎(chǔ)上提出一種基于MsGKFCM 和多尺度矢量場(chǎng)卷積的混合方法來獲得精確的腫塊邊緣。該方法首先利用散斑噪聲抑制各向異性擴(kuò)散技術(shù)對(duì)圖像進(jìn)行濾波，然后將MsGKFCM 應(yīng)用于濾波后的圖像分割出腫塊，利用多尺度向量卷積確定準(zhǔn)確的腫塊邊緣，結(jié)果顯示該算法的準(zhǔn)確度達(dá)到97.3%，F(xiàn) 分值為92.3%。

3.2 深度學(xué)習(xí) 深度學(xué)習(xí)是近年迅速發(fā)展的機(jī)器學(xué)習(xí)中的新方法，通過模擬人類大腦結(jié)構(gòu)建立提高神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)能力的模型。深度學(xué)習(xí)具有強(qiáng)大的特征提取能力，可以自動(dòng)學(xué)習(xí)輸入端到輸出端的映射關(guān)系，被廣泛應(yīng)用于乳腺腫塊分割。常用的深度學(xué)習(xí)包括卷積神經(jīng)網(wǎng)絡(luò)（convolution neural networks，CNN）、全卷積神經(jīng)網(wǎng)絡(luò)（full convolutional networks，F(xiàn)CN）以及在FCN 基礎(chǔ)上衍生的其他學(xué)習(xí)模型。

3.2.1 CNN 和FCN CNN 是一種前饋神經(jīng)網(wǎng)絡(luò)，它的人工神經(jīng)元可以響應(yīng)一部分覆蓋范圍內(nèi)的周圍單元，在大規(guī)模圖像處理中具有優(yōu)勢(shì)。CNN 最初是為圖像的分類任務(wù)而設(shè)計(jì)的，2015 年Arevalo等[22]使用CNN 替代手動(dòng)提取特征方法，使乳腺X 線影像上病灶的分類準(zhǔn)確度顯著提高。FCN 將傳統(tǒng)CNN 的全連接層換成了卷積層，使卷積層成為網(wǎng)絡(luò)結(jié)構(gòu)的唯一組成成分，而且FCN 可以對(duì)全視野的乳腺數(shù)據(jù)直接進(jìn)行特征提取，減少了采用數(shù)據(jù)采樣對(duì)小腫塊的影響，提高了對(duì)腫塊的檢測(cè)精度[23]。Chen等[24]根據(jù)深度實(shí)驗(yàn)室版本 2（DeepLab－v2）提出了一個(gè)相似的模型結(jié)構(gòu)，為了捕捉不同尺度的上下文特征，使用不同膨脹率的空洞卷積做池化層，得到一個(gè)多孔空間金字塔池化（atrous spatial pyramid pooling，ASPP）模塊，同時(shí)將主干網(wǎng)絡(luò) VGG16 替換成ResNet50，提高了模型的擬合能力。而徐等[25]設(shè)計(jì)的基于FCN 遷移學(xué)習(xí)的乳腺腫塊圖像分割方法進(jìn)一步驗(yàn)證了該算法分割效果明顯優(yōu)于傳統(tǒng)分割算法。但此類方法大多是在人工勾畫或提取病變區(qū)域ROI 后再進(jìn)行分割的，前期準(zhǔn)備工作繁瑣且具有較強(qiáng)的主觀性，增加了整個(gè)分割流程的復(fù)雜程度，使CAD 系統(tǒng)發(fā)展受到一定限制。

Al-Antari 等[26]提出并利用一種新的深度網(wǎng)絡(luò)模型——全分辨率卷積神經(jīng)網(wǎng)絡(luò)對(duì)大量乳腺X 線影像進(jìn)行分割，首先用YOLO（You Look Only Once）檢測(cè)腫塊區(qū)域，然后全分辨率卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)原始輸入數(shù)據(jù)每個(gè)像素的全分辨率特征，從解碼器中移除了最大集合和子采樣層并使卷積層提取和學(xué)習(xí)輸入圖像的全分辨率特征以實(shí)現(xiàn)像素到像素的腫塊精確分割，最終通過四次交叉驗(yàn)證、測(cè)試得到良好的分割結(jié)果 [總體準(zhǔn)確度92.97%，Dice（F1 分?jǐn)?shù)）為92.69%]，結(jié)果表明該新模型在腫塊分割方面優(yōu)于傳統(tǒng)的深度學(xué)習(xí)方法，可用來協(xié)助放射科醫(yī)師診斷乳腺腫塊。Badrinarayanan 等[27]使用FCN 實(shí)現(xiàn)乳腺腫塊分割，并在FCN 后加入條件隨機(jī)場(chǎng)來精細(xì)分割結(jié)果。趙[23]提出了一種基于醫(yī)學(xué)先驗(yàn)知識(shí)的多目標(biāo)、多腫瘤分割方法，首先使用背景顯著性將醫(yī)學(xué)先驗(yàn)知識(shí)融入到模型輸出，對(duì)腫瘤檢測(cè)定位進(jìn)行約束，然后利用不同膨脹率的空洞卷積金字塔層級(jí)結(jié)構(gòu)改進(jìn)區(qū)域生成網(wǎng)絡(luò)（region proposal network，RPN），以提高模型用于不同大小腫瘤檢測(cè)、分割時(shí)的表現(xiàn)，最后將全連接的條件隨機(jī)場(chǎng)連接在Mask分支后，使分割結(jié)果更加精細(xì)，有效提升多尺度乳腺腫塊分割表現(xiàn)，其中對(duì)小腫塊檢測(cè)準(zhǔn)確率的改善尤為顯著。該模型對(duì)腫瘤區(qū)域分割的交并比（intersection over union，IOU）達(dá)到 86.1%，真陽性率為92.69%。

3.2.2 U 型卷積神經(jīng)網(wǎng)絡(luò)（U-Net）及其衍生網(wǎng)絡(luò) UNet 由 Ronneberger 等[28]在 2015 年提出，是使用全卷積網(wǎng)絡(luò)進(jìn)行語義分割的主流算法之一，使用具有壓縮和擴(kuò)展路徑的對(duì)稱U 形結(jié)構(gòu)。2018 年Kumar 等[29]提出了一種多級(jí)U-Net 算法用于分割超聲影像上的可疑乳腺腫塊，該算法不需要初始種子，可以實(shí)時(shí)分割可疑乳腺腫塊，結(jié)果顯示該算法最終Dice 為0.82，真陽性率為0.84；其性能與基于距離正則化水平集（distance regularized level set segmentation，DRL）相當(dāng)（Dice=0.84），并優(yōu)于單純U-Net（Dice=0.54）。

Caballo 等[30]訓(xùn)練 U-Net 對(duì)平掃專用乳腺 CT 影像中基于2D 的乳腺腫塊進(jìn)行分割，其與實(shí)際腫塊的符合率為0.85，并比較了與4 名放射科醫(yī)生勾畫腫塊的一致性及所勾畫的病灶之間在影像組學(xué)特征提取的一致性。雖然研究結(jié)果顯示U-Net 的腫塊分割與放射科醫(yī)生間的一致性為0.78，但仍有超過90%影像組學(xué)特征的提取是穩(wěn)定的。MR 擴(kuò)散加權(quán)成像（DWI）不需要注射對(duì)比劑，作為MRI 檢查的一種輔助序列，可以提高乳腺M(fèi)RI 的準(zhǔn)確性，減少不必要的活檢，但DWI 分辨力較低，進(jìn)行基于乳腺DWI 的MRI 自動(dòng)全乳腺分割技術(shù)存在一定難度[31]。Zhang 等[32]使用深度學(xué)習(xí)模型（U-Net 和分割網(wǎng)絡(luò)SegNet）和遷移學(xué)習(xí)作為分割方法，在DCE-MRI 預(yù)先訓(xùn)練模型上進(jìn)行遷移學(xué)習(xí)，并運(yùn)用于DWI，結(jié)果顯示 U-Net 模型在 DCE-MRI 及 DWI 上較 SegNet具有更好的性能；而且分割過程中發(fā)現(xiàn)，U-Net 及SegNet 模型在DWI-MRI 數(shù)據(jù)上也得到了良好的分割效果，并提出DWI 在未來有可能代替DCE-MRI成為乳腺M(fèi)RI 輔助診斷的新工具。

單純U-Net 在不同檢查方式乳腺影像中得到了很好的應(yīng)用，近些年在單純U-Net 的基礎(chǔ)上又有多方面的改進(jìn)，例如基于注意力機(jī)制、數(shù)據(jù)處理、卷積模塊等方面的改進(jìn)，以便更好地通過影像分割乳腺腫塊。

3.2.2.1 基于注意力機(jī)制的改進(jìn) 有研究者[1,4]進(jìn)行了基于FCN 的全視野數(shù)字乳腺X 線攝影（full field digital mammography，F(xiàn)FDM）腫塊分割研究，應(yīng)用更有效的非對(duì)稱編碼器-解碼器網(wǎng)絡(luò)架構(gòu)，結(jié)合注意力引導(dǎo)密集上采樣（attention-guided denseupsampling，AU）模塊，通過 AU 網(wǎng)絡(luò)（AUNet）來提高分割性能，獲得最佳分割結(jié)果，結(jié)果顯示不僅能很好地分割不規(guī)則和小尺寸的乳腺腫塊，而且能通過注意力選擇機(jī)制有效地減少假陽性，同時(shí)不增加假陰性結(jié)果。

2020 年，一種新的選擇核心（selective kernel，SK）-U-Net 網(wǎng)絡(luò)被用于超聲進(jìn)行乳腺腫塊分割[33]。SK 通過注意力機(jī)制調(diào)整網(wǎng)絡(luò)的ROI，并融合擴(kuò)張卷積和傳統(tǒng)卷積網(wǎng)絡(luò)提取的特征映射，有效解決乳腺腫塊大小的問題，結(jié)果顯示SK-U-Net 的平均Dice為0.826，受試者操作特征曲線下面積（AUC）為0.958， 而 標(biāo)準(zhǔn) U-Net 的 Dice 為 0.778，AUC 為0.909；研究還顯示該算法在良惡性腫塊分割中，惡性腫塊的 Dice（0.842）高于良性腫塊（0.820），可以更好地幫助診斷醫(yī)師識(shí)別乳腺惡性腫瘤，提高乳腺癌的檢出率。

3.2.2.2 基于卷積模塊的改進(jìn) 梁[34]在U-Net 的基礎(chǔ)上增加其網(wǎng)絡(luò)深度，并加入殘差學(xué)習(xí)單元，提出了殘差學(xué)習(xí)U 型卷積神經(jīng)網(wǎng)絡(luò)（RcsU-Net），解決了網(wǎng)絡(luò)加深出現(xiàn)的梯度消失問題，使分割效果得到顯著提升，并借鑒了移動(dòng)最小二乘形變的方法，在擴(kuò)大數(shù)據(jù)集規(guī)模提高網(wǎng)絡(luò)泛化能力的同時(shí)，保證了重要診斷信息的完整性，能夠精準(zhǔn)高效地分割腫塊區(qū)域（Dice 為 0.956 8，IOU 為 0.917 3）。

3.2.2.3 基于數(shù)據(jù)處理方法的改進(jìn) Zeiser 等[35]在U-Net 的基礎(chǔ)上結(jié)合數(shù)據(jù)增強(qiáng)提出了一種新的模型，該模型去除了乳腺攝影中不相關(guān)的信息，增強(qiáng)影像對(duì)比度獲得ROI，并對(duì)影像進(jìn)行水平翻轉(zhuǎn)和縮放，最終敏感度為92.32%，特異度為80.47%，準(zhǔn)確度為 85.95%，Dice 為 79.39%，AUC 為 86.40%。

為了提高數(shù)字乳腺體層攝影（digital breast tomography，DBT）影像中乳腺腫塊的自動(dòng)分割精度，Lai 等[36]提出了一種基于U-Net 網(wǎng)絡(luò)的DBT 乳腺腫塊自動(dòng)分割算法，增強(qiáng)了大量腫塊區(qū)域的對(duì)比度并對(duì)DBT 圖像進(jìn)行頂帽（TOP-HAT）變換，構(gòu)建了高效的U-Net 神經(jīng)網(wǎng)絡(luò)對(duì)DBT 腫塊進(jìn)行預(yù)分割，并使用中值濾波器獲取腫塊邊界以取得最終分割結(jié)果，結(jié)果顯示該網(wǎng)絡(luò)在DBT 腫塊的自動(dòng)分割方面取得了良好的結(jié)果，并且其準(zhǔn)確度、特異度、敏感度和AUC 優(yōu)于其他經(jīng)典CAD。

3.2.3 其他網(wǎng)絡(luò) 金字塔型結(jié)構(gòu)是一種由不同分辨率圖像組成的形同金字塔樣層次式的數(shù)據(jù)結(jié)構(gòu)，在金字塔結(jié)構(gòu)的上層圖像中，濾去了絕大部分的高頻成分而保留低頻成分。運(yùn)用到乳腺影像上，腫塊屬于低頻成分，背景屬于相對(duì)高頻成分，濾去高頻的背景組織后，就留下了低頻腫塊[37]。Wang 等[38]提出了一種新的多級(jí)嵌套金字塔網(wǎng)絡(luò)（multi-level nested pyramid network，MNPNet）來處理乳腺圖像腫塊分割中普遍存在的類內(nèi)不一致和類間不區(qū)分的局限性。MNPNet 包括編碼器和解碼器，前者在修改后的ResNet34 生成的特征金字塔上，通過多層嵌套ASPP 模塊，對(duì)上下文特征、低層細(xì)節(jié)信息和高層語義信息進(jìn)行多級(jí)多尺度編碼；后者由一系列簡(jiǎn)單而有效的雙線性上采樣和特征融合操作組成，用于細(xì)化腫塊邊界區(qū)域的分割結(jié)果。所提出的MNPNet 在INBREAM 和DDSM-BCRP 2 個(gè)公共乳腺攝影腫塊分割數(shù)據(jù)庫上得到了很好的驗(yàn)證，在沒有任何前后處理的情況下，Dice 系數(shù)分別達(dá)到了91.10%和91.69%，表明MNPNet 可以指導(dǎo)今后臨床腫塊分割。

4 小結(jié)

乳腺癌作為威脅女性健康的第一大腫瘤，其防治是全世界的公共健康問題，早預(yù)防早診治能提高病人預(yù)后[31]。CAD 技術(shù)系統(tǒng)基于乳腺影像，借助計(jì)算機(jī)圖像處理、數(shù)據(jù)統(tǒng)計(jì)以及人工智能等技術(shù)，能探測(cè)乳腺病灶，尤其是與腺體組織重疊而容易被忽視的病變，并有助于鑒別病變良惡性，降低召回率和活檢率，對(duì)乳腺癌的診治提供了很大幫助。盡管現(xiàn)階段可用的分割算法較多，且不斷有新的改良算法出現(xiàn)，但哪種方法能達(dá)到最好的分割效果尚無定論，且所訓(xùn)練的模型在不同樣本中的分割效果也還有待觀察。因此，如何選擇合適的方法或算法以更好地分割腫塊與乳腺組織，幫助放射科醫(yī)生更準(zhǔn)確地診斷乳腺癌，降低乳腺癌死亡率，提高病人生存率及生存質(zhì)量仍是今后的研究重點(diǎn)。