BreastDCEDL：用于治疗反应预测的综合性乳腺癌DCE-MRI数据集与Transformer实现
计算机视觉与模式识别
2025-07-15 v3 人工智能
摘要
乳腺癌仍是全球癌症死亡原因的主要原因，使得早期检测和准确的治疗反应监测成为关键优先事项。我们提出BreastDCEDL，一个精选且深度学习就绪的数据集，包含来自I-SPY1、I-SPY2和Duke队列的2070名乳腺癌患者的3D动态对比增强MRI（DCE-MRI）扫描图像，全部来自The Cancer Imaging Archive。原始DICOM影像数据经过严格的转换，转化为保持信号完整性的标准化3D NIfTI体数据，并伴随统一的肿瘤注释和整合的临床元数据，包括病理完全缓解（pCR）、激素受体（HR）和HER2状态。虽然DCE-MRI提供了必要的诊断信息，深度学习也为分析此类复杂数据提供了巨大潜力，但由于缺乏可公开获取的多中心数据集，进展有限。BreastDCEDL通过解决这一问题，使能够开发先进模型，包括需要大量训练数据的前沿Transformer架构。为演示其稳健建模能力，我们开发了首个用于乳腺DCE-MRI的Transformer模型，采用Vision Transformer（ViT）架构，在三种对比相位（对比前、早期对比后和晚期对比后）的RGB融合图像上进行训练。我们的ViT模型在HR+/HER2-患者中实现了pCR预测的状态最佳性能（AUC 0.94，准确率0.93）。BreastDCEDL包括预定义的基准划分，为可重复的研究提供框架，支持乳腺癌影像中的临床有意义的建模。
引用
@article{arxiv.2506.12190,
title = {BreastDCEDL: A Comprehensive Breast Cancer DCE-MRI Dataset and Transformer Implementation for Treatment Response Prediction},
author = {Naomi Fridman and Bubby Solway and Tomer Fridman and Itamar Barnea and Anat Goldstein},
journal= {arXiv preprint arXiv:2506.12190},
year = {2025}
}