MammoDenseSegNet: Un modello di deep learning consapevole del contesto per la segmentazione del tessuto denso nelle mammografie digitali

Lo studio presenta un'importante innovazione nell'ambito della segmentazione automatica del tessuto denso mammario, un'area critica della medicina diagnostica dove la variabilità tra ospedali e dispositivi di imaging rappresenta una sfida significativa. La metodologia si basa su un'architettura encoder-decoder sofisticata che incorpora due moduli complementari specificamente progettati per affrontare le complessità intrinseche dell'imaging mammografico. Il modulo di attenzione duale adattivo rappresenta un avanzamento significativo rispetto agli approcci convenzionali, poiché consente al modello di catturare simultaneamente dipendenze spaziali a lungo raggio e interdipendenze di canale, permettendo una focalizzazione intelligente sulle aree di tessuto denso indipendentemente dalla loro localizzazione anatomica. Il modulo multi-kernel per il campo ricettivo ampliato affronta un'altra limitazione critica degli approcci precedenti: l'incapacità di aggregare efficacemente caratteristiche contestuali a diverse scale, essenziale data la variabilità nella presentazione del tessuto denso. L'utilizzo della loss dice multi-scala con supervisione profonda rappresenta una scelta metodologica sofisticata che guida l'apprendimento attraverso più livelli del decoder, migliorando la robustezza complessiva del sistema. Lo studio ha arruolato un campione robusto di 1499 immagini provenienti da 606 donne distribuite su tre dataset con caratteristiche diverse, riflettendo la variabilità reale dei setting clinici. L'analisi statistica è stata rigorosamente condotta utilizzando modelli lineari generalizzati che tengono conto della correlazione tra immagini della stessa paziente e controllano per potenziali confondenti, garantendo risultati affidabili. I risultati numerici mostrano differenze drammatiche nelle prestazioni rispetto al baseline basato su VGG16: MammoDenseSegNet mantiene un recall medio di 0,66 e Dice di 0,63 nel tessuto a bassa densità, mentre l'algoritmo baseline crolla a recall 0,14 e Dice 0,16, una differenza clinicamente significativa. Questa superiorità è statisticamente significativa (p<0,001) e rimane consistente attraverso diverse condizioni di imaging.