这篇文档属于类型a，是一篇关于乳腺癌检测新架构的原创研究论文。以下为详细的学术报告：
作者及机构
本研究由Lydia Bouzar-Benlabiod（阿尔及利亚国家高等信息学院LCSI实验室）、Khaled Harrar（布迈尔德斯大学LIST实验室）等团队合作完成，发表于《Computers in Biology and Medicine》期刊2023年第163卷。
学术背景
研究领域与动机
乳腺癌是女性最常见的恶性肿瘤之一，早期诊断对提高生存率至关重要。目前，乳腺X线摄影（mammogram）是主要的筛查手段，但人工阅片存在主观性强、耗时且易漏诊的问题。尽管深度学习（DL）在医学影像分析中表现出色，但其”黑箱”特性降低了临床可信度。因此，本研究提出结合卷积神经网络（CNN）与案例推理系统（CBR）的混合架构，旨在实现高精度且可解释的乳腺癌分类。
背景知识
- 案例推理（Case-Based Reasoning, CBR）：通过比对历史案例解决新问题，决策过程透明，适用于需解释性的医疗场景。
- 深度学习局限性：需大量标注数据、训练成本高，且结果难以解释。
- 数据集：采用CBIS-DDSM（Curated Breast Imaging Subset of DDSM），包含2620张乳腺X线图像及病灶标注，是当前最完整的公开数据集之一。
研究目标
1. 开发端到端的计算机辅助诊断（CAD）系统，整合图像增强、病灶分割、特征提取与分类。
2. 通过CBR提升分类结果的可解释性，同时利用CNN提高分割精度。
3. 在CBIS-DDSM数据集上验证性能，超越传统机器学习（ML）和DL方法。
研究流程与方法
1. 数据预处理
- 图像增强：
- CLAHE（对比度受限自适应直方图均衡化）：分块优化对比度，参数为块大小8、对比度阈值40。
- 中值滤波：窗口大小7，去除噪声。
- 数据清洗：
- 使用预训练的U-Net（编码器为ResNeXt101_32x16d）筛选60%质量合格的图像-掩模对。
- 数据扩增：水平/垂直翻转，增加样本多样性。
2. 病灶分割
- 模型架构：SE-ResNet101作为U-Net编码器，引入SE（Squeeze-and-Excitation）模块动态调整通道权重。
- 训练细节：
- 数据集划分：65%训练、15%验证、20%测试。
- 优化器：Adam，学习率0.001，60个epoch。
- 性能指标：Dice系数0.75（Dice-loss 0.25），IoU 0.64，召回率0.76。
3. 特征提取与选择
- 特征来源：
- 图像特征：灰度共生矩阵（GLCM）提取纹理特征（如对比度、能量、同质性）。
- 元数据：BI-RADS分级、病灶轮廓/形状描述、乳腺密度等。
- 特征选择：基于KNN（k=7）的封装法（wrapper method），最终保留6个关键特征：病灶轮廓、形状、异常严重度、ASM（角二阶矩）、能量、相异性。
4. CBR分类系统
- 案例表示：每个案例包含6个特征值及分类标签（良性/恶性）。
- 相似度度量：混合数值与分类特征，加权公式为：
[ Sim(case1, case2) = \frac{\sum (1 - diff{attribute} \times Weight{attribute})}{\sum Weights} ]
权重通过互信息量计算，如异常严重度权重5.75。
- 维护机制：每插入10个新案例后，根据使用频率和分类准确率淘汰冗余案例。
主要结果
- 分割性能：SE-ResNet101优于普通U-Net，Dice系数提升20%，验证了数据清洗和SE模块的有效性。
- 分类性能：
- 准确率86.71%，召回率91.34%，显著高于对比的ML方法（如KNN 84.25%、SVM 83.23%）。
- 可解释性：CBR可追溯相似历史案例，例如某分类结果基于“病灶轮廓=毛刺状、ASM=高值”的既往案例。
- 对比实验：在CBIS-DDSM上，本方法超越Sun等（2019，82.02%）、Agarwal等（2019，83.69%）的纯DL模型。
结论与价值
科学价值：
- 提出首个结合CNN分割与CBR分类的乳腺癌CAD框架，解决了DL模型不可解释的痛点。
- 证明了SE模块和特征选择对提升小样本数据性能的关键作用。
应用价值：
- 临床部署潜力：高召回率可降低漏诊风险，透明决策流程增强医生信任。
- 开源代码（GitHub）促进社区改进。
未来方向：探索EfficientNet分割、案例库动态分区优化。
研究亮点
- 方法论创新：CNN-CBR混合架构兼顾精度与可解释性。
- 技术改进：
- SE-ResNet101分割模型在DDSM上达到SOTA性能。
- 新型相似度度量公式支持异构特征融合。
- 临床意义：为AI辅助诊断的可信度问题提供解决方案。
此研究为乳腺癌AI诊断领域提供了重要的技术突破和临床实践参考。