乳腺癌是中国女性发病率最高的癌症，早期发现、早期诊断是提高疗效的关键。

乳腺癌检查常用方式为乳腺X光（钼靶）、乳腺超声和乳腺MRI三种；实现精准筛查与诊断，多模态乳腺影像综合诊断必不可少。联影智能多模态乳腺AI人工智能分析系统从拍片到读片，覆盖乳腺影像全工作流。

全容积乳腺超声图像精准分割新思路

自动乳腺全容积超声图像是一种较新的乳腺筛查图像技术，可对乳房进行全面的超声造影，避免扫查时遗漏病灶。但全容积的自动乳房造影为阅片工作增加了难度和负荷。一方面由于超声图像本身质量不高，并且带有声影(acoustic shadow)干扰；另一方面全容积数据体量高，大大增加了阅片诊断的工作量。

2020年联影智能与深圳大学、台北荣民总医院在Medical Image Analysis（影响因子：11.1）联合发表了Self-Co-Attention NeuralNetwork for Anatomy Segmentation in Whole Breast Ultrasound，该研究基于深度学习分割技术，可分割乳腺解剖层,如皮下脂肪层、乳腺组织层、乳房后肌肉层、胸腔壁等，并提供解剖层的分割结果，辅助全容积乳腺超声图像阅片，为计算腺体分型与病灶假阳性检测提供参考基础。

文中通过self-attention、co-attention及non-local attention等深度学习的注意力机制，提高解剖层分割的效果。Self-attention方法可提高每一解剖层的特征学习能力；Co-attention在于探索超声切面间的一致性；而non-local attention则是探寻高阶解剖层间的交互关系。通过与多个state-of-the-art分割算法对比，证明了本研究的分割方法在全容积乳腺超声图像的有效性。

全容积乳房自动超声图像分割网络图：(a)网络架构;(b)骨干网络block为ResNet的示意图;(c)骨干网络block为ResNeXt的示意图

全容积乳房自动超声图像的解剖层定义。A为皮下脂肪层;B为腺体组织层;C为乳房后肌肉层;D为胸腔璧。超声图像绿色椭圆与黄色点线框为声影干扰较大的区域。如图所示，解剖层间的边缘不易判别。

乳腺X光全工作流智能应用

乳腺X光摄影是迄今为止唯一被大量临床试验证明有效降低女性乳腺癌死亡率的筛查手段。联影智能X光乳腺AI人工智能分析系统可实现从拍片到阅片的全流程智能辅助筛查。

X光拍摄通常需要四张图，涉及两侧乳房与两种体位，因此非常考验技师拍摄的细心度。联影智能的X光乳腺AI人工智能质控系统可针对每次拍摄的摆位，秒级质量评估反馈，提醒技师拍片可能出现的摆位问题；并提供乳腺影像拍摄的摆位质量整体情况评估，便于精准发现问题，提出改善方案，助力科室标准化管理。

随着乳腺X光拍片患者数量的不断攀升，而亚洲女性致密性乳房比例较高，进一步加重了医生的诊断与阅片负担。联影智能X光乳腺AI人工智能筛查系统，基于AI技术，可对乳腺X光图像进行腺体分型、肿块检测、钙化检测与分类；并根据几何关系和病灶特征匹配CC与MLO位上的同一病灶。尤为重要的是，X光乳腺AI人工智能筛查系统可检测出不明显钙化的所在位置，并对其进行形态与分布的归类，帮助年轻医生大幅降低漏诊率，特别是针对高密度的腺体分型（C与D）。