Automated segmentation of breast tumors in DCE-MRI: a clinically-applicable deep learning framework

Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI) is a crucial technique in breast cancer diagnostics, particularly in characterizing suspicious tumors. By acquiring images before and after contrast medium injection, it assesses critical indicators of malignancy. However, image interpretation is complex and subject to inter- and intra-operator variability, prompting the development of semi-automated methods, followed by Deep Learning-based approaches. Despite the potential of these methods, the existing literature is mainly based on private, limited, and standardized datasets, restricting the models' applicability to clinical practice. To fill this gap, this thesis introduces a comprehensive framework for automatically segmenting DCE-MRI breast images from real-world clinical settings. The framework incorporates a pre-processing step to enhance and prepare data in two formats: full breast images and single-breast patches. Then, it presents a segmentation module consisting of two neural network architectures: a novel Multi U-Net, tailor-made for this work, and an architecture that combines a ResNet34 encoder with a U-Net decoder. Finally, it includes an ensemble strategy to synergize the predictions, further enhanced by a post-processing step. A custom loss function called Combined Asymmetric Boundary Focal Loss is also presented to optimize model learning. The proposed strategy has been validated by adopting a private dataset provided by La Sapienza University of Rome to reflect the variability of clinical data and an extensive standardized public dataset for pre-training. Assessment of the presented segmentation framework revealed that the standalone Multi U-Net outperformed the baseline by 4.6% in mean Dice Similarity Coefficient (mDSC) and 9.2% in DSC for the tumor class (tDSC) on the pre-training dataset. On the private dataset, despite greater tumor variability, the framework achieved a mDSC of 66.68%, a tDSC of 33.43%, Precision of 92.28%, and Recall of 96.52%, maintaining consistent performance across tumor types. These results confirm the effectiveness and robustness of the framework, underscoring its potential for clinical application.

La Risonanza Magnetica con Mezzo di Contrasto (DCE-MRI) è cruciale per caratterizzare tumori sospetti al seno. Acquisendo immagini prima e dopo l'iniezione del contrasto, essa valuta indicatori critici di malignità. Tuttavia, le difficoltà di interpretazione dovute alla variabilità inter- e intra-operatore hanno portato allo sviluppo di metodi semi-automatici, seguiti da approcci basati su Deep Learning. Nonostante il potenziale di questi metodi, la letteratura esistente si basa prevalentemente su set di dati privati, contenuti e standardizzati, limitando l'applicabilità dei modelli alla pratica clinica. In quest'ottica, questa tesi introduce un framework completo per la segmentazione automatica di DCE-MRI del seno provenienti da contesti clinici reali. Il framework incorpora una fase di pre-elaborazione per preparare i dati in due formati: immagini del seno completo e patch di singoli seni. Poi, presenta un modulo di segmentazione composto da due architetture: una Multi U-Net, e una architettura che combina un encoder ResNet34 con un decoder U-Net. Infine, include una strategia di ensemble per combinare le previsioni delle due architetture, migliorate da una fase di post-elaborazione. Viene poi proposta una funzione di perdita personalizzata chiamata Combined Asymmetric Boundary Focal Loss per ottimizzare l'apprendimento del modello. La strategia proposta è stata convalidata adottando un dataset privato fornito dall'Università La Sapienza di Roma che riflette la variabilità dei dati clinici e un ampio dataset pubblico standardizzato per il pre-training. La valutazione del framework di segmentazione presentato ha rivelato che la rete Multi U-Net ha superato la baseline del 4.6% nel Dice Similarity Coefficient medio (mDSC) e del 9.2% nel DSC per la classe tumorale (tDSC) sul dataset di pre-training. Sul dataset primario, nonostante la variabilità dei tumori, il framework ha ottenuto un mDSC del 66.68%, un tDSC del 33.43%, una Precision del 92.28% e una Recall del 96.52%, mantenendo prestazioni coerenti tra i vari tipi di tumore. Questi risultati confermano l'efficacia e la robustezza del framework, sottolineando il suo potenziale per l'applicazione clinica.