Model Agnostic Saliency for Weakly Supervised Lesion Detection from Breast DCE-MRI
The University of Adelaide（阿德莱德大学）；Australian Institute for Machine Learning（澳大利亚机器学习研究所）；Delft University of Technology（代尔夫特理工大学）；Queensland University of Technology（昆士兰科技大学）
Gabriel Maicas, Gerard Snaauw, Andrew P. Bradley, Ian Reid, Gustavo Carneiro
There is a heated debate on how to interpret the decisions provided by deep learning models (DLM), where the main approaches rely on the visualization of salient regions to interpret the DLM classification process. However, these approaches generally fail to satisfy three conditions for the problem of lesion detection from medical images: 1) for images with lesions, all salient regions should represent lesions, 2) for images containing no lesions, no salient region should be produced,and 3) lesions are generally small with relatively smooth borders. We propose a new model-agnostic paradigm to interpret DLM classification decisions supported by a novel definition of saliency that incorporates the conditions above. Our model-agnostic 1-class saliency detector (MASD) is tested on weakly supervised breast lesion detection from DCE-MRI, achieving state-of-the-art detection accuracy when compared to current visualization methods.
PRISM-Net: Patient-specific reference-guided inter-breast symmetry matching for three-class breast DCE-MRI classification
Nankai University（南开大学）；Zhongguancun Academy（中关村学院）；The First Medical Center of Chinese PLA General Hospital（中国人民解放军总医院第一医学中心）；Beijing University of Posts and Telecommunications（北京邮电大学）；The Six Medical Center of Chinese PLA General Hospital（中国人民解放军总医院第六医学中心）；Tsinghua University（清华大学）
Tumor Saliency Estimation for Breast Ultrasound Images via Breast Anatomy Modeling
Utah State University（犹他州立大学）；Harbin Institute of Technology（哈尔滨工业大学）；University of Idaho（爱达荷大学）；The Affiliated Hospital of Qingdao University（青岛大学附属医院）；The Second Hospital of Hebei Medical University（河北医科大学第二医院）
Response monitoring of breast cancer on DCE-MRI using convolutional neural network-generated seed points and constrained volume growing
Image Sciences Institute, University Medical Center Utrecht（乌得勒支大学医学中心影像科学研究所）；Department of Radiology, Antoni van Leeuwenhoek Hospital - The Netherlands Cancer Institute（荷兰癌症研究所安东尼·范·列文虎克医院放射科）
Evaluating ADC-only deep learning pipelines for breast cancer detection and segmentation using standalone diffusion-weighted MRI
University of Oviedo（奥维耶多大学）；University of A Coruña（拉科鲁尼亚大学）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Purdue University（普渡大学）；Asturias Central University Hospital (HUCA)（阿斯图里亚斯中央大学医院）
Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI
School of Health Science and Engineering, University of Shanghai for Science and Technology（上海理工大学健康科学与工程学院）；School of Biomedical Engineering, ShanghaiTech University（上海科技大学生物医学工程学院）；School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院）；Ruijin Hospital, Shanghai Jiaotong University School of Medicine（上海交通大学医学院附属瑞金医院）；Shanghai General Hospital（上海交通大学附属第一人民医院）
TopoTxR: A topology-guided deep convolutional network for breast parenchyma learning on DCE-MRIs
State University of New York at Stony Brook（纽约州立大学石溪分校）；Newark Beth Israel Medical Center（纽瓦克贝斯以色列医疗中心）；Columbia University Irving Medical Center（哥伦比亚大学欧文医疗中心）；Emory University School of Medicine（埃默里大学医学院）；Georgia Institute of Technology（佐治亚理工学院）
Pre- to Post-Contrast Breast MRI Synthesis for Enhanced Tumour Segmentation
Universitat de Barcelona（巴塞罗那大学）；Helmholtz Center Munich（慕尼黑亥姆霍兹中心）；Technical University of Munich（慕尼黑工业大学）；Karolinska Institutet（卡罗林斯卡学院）；King’s College London（伦敦国王学院）
To deform or not: treatment-aware longitudinal registration for breast DCE-MRI during neoadjuvant chemotherapy via unsupervised keypoints detection
Radboud University Medical Centre（拉德堡德大学医学中心）；The Netherlands Cancer Institute（荷兰癌症研究所）；Macao Polytechnic University（澳门理工大学）；Maastricht University Medical Centre（马斯特里赫特大学医学中心）
LesiOnTime -- Joint Temporal and Clinical Modeling for Small Breast Lesion Segmentation in Longitudinal DCE-MRI
Computational Imaging Research Lab, Department of Biomedical Imaging and Image-guided Therapy, Medical University of Vienna, Austria（医学影像研究实验室，生物医学影像与影像引导治疗系，维也纳医科大学）；Comprehensive Center for AI in Medicine, Medical University of Vienna, Austria（医学人工智能综合中心，维也纳医科大学）；Breast Health Center, Privatklinik Döbling, Austria（乳腺健康中心，多克林根私人诊所）；Department of Biomedical Imaging and Image-guided Therapy, Medical University of Vienna, Austria（生物医学影像与影像引导治疗系，维也纳医科大学）；Department of Obstetrics and Gynecology, Medical University of Vienna, Austria（妇产科系，维也纳医科大学）；Department of Pathology, Medical University of Vienna, Austria（病理学系，维也纳医科大学）；Comprehensive Cancer Center, Medical University of Vienna, Austria（综合癌症中心，维也纳医科大学）
Deep learning-based prediction of response to HER2-targeted neoadjuvant chemotherapy from pre-treatment dynamic breast MRI: A multi-institutional validation study
Case Western Reserve University（凯斯西储大学）；University of Mons（蒙斯大学）；Cleveland Clinic（克利夫兰诊所）；Yale School of Medicine（耶鲁医学院）；Institut Jules Bordet（朱尔斯·博尔代研究所）；University Hospitals Cleveland Medical Center（大学医院克利夫兰医学中心）；Louis Stokes Cleveland VA Medical Center（路易斯·斯托克斯克利夫兰退伍军人事务医疗中心）
预测对新辅助治疗的反应是乳腺癌中一个令人烦恼的挑战。在这项研究中，我们评估了深度学习从治疗前获得的治疗前动态对比增强（DCE）MRI预测对HER 2靶向新辅助化疗（NAC）的反应的能力。在一项回顾性研究中，包括来自5家机构的157名HER 2+乳腺癌患者的DCE-MRI数据，我们开发并验证了一种深度学习方法，用于预测治疗前对HER 2靶向NAC的病理完全缓解（pCR）。在单一机构接受HER 2靶向新辅助化疗的100名患者用于训练（n=85）和调整（n=15）卷积神经网络（CNN）以预测pCR。确定了利用造影前和造影后DCE-MRI采集的多输入CNN，以实现验证集内的最佳响应预测（AUC=0.93）。然后，使用治疗前DCE-MRI数据在两个独立的测试队列中对该模型进行测试。在第二家机构的28例患者测试集中（AUC=0.85，95% CI 0.67-1.0，p= 0.0008）和包括来自另外3家机构的数据的29例患者多中心试验中（AUC=0.77，95% CI 0.58-0.97，p=0.006），它实现了强大的性能。发现基于深度学习的反应预测模型超过了包含预测临床变量（测试队列中AUC < .65）和半定量DCE-MRI药代动力学测量模型（测试队列中AUC < .60）的多变量模型。这项工作在多个研究中心提出的结果表明，通过进一步验证，深度学习可以提供一种有效可靠的工具来指导乳腺癌的…
Anguinus Sculpturae: Compositional Synthesis of Peak-Enhancement Breast DCE-MRI Scans
German Cancer Research Center (DKFZ)（德国癌症研究中心）；Heidelberg University（海德堡大学）；HIDSS4Health – Helmholtz Information and Data Science School for Health（HIDSS4Health – 亥姆霍兹健康信息与数据科学学校）；Helmholtz Imaging（亥姆霍兹成像中心）
Deep Angular Embedding and Feature Correlation Attention for Breast MRI Cancer Analysis
The Chinese University of Hong Kong（香港中文大学）；Imsight Medical Technology, Co., Ltd.（推想医疗科技股份有限公司）；Imperial College London（伦敦帝国理工学院）；The Fifth Medical Center of Chinese PLA General Hospital（中国人民解放军总医院第五医学中心）；Beijing Image Diagnostic Center of Rimag（北京一脉阳光影像诊断中心）
Automatic lesion detection, segmentation and characterization via 3D multiscale morphological sifting in breast MRI
School of Information Technology and Electrical Engineering, University of Queensland（昆士兰大学信息技术与电气工程学院）；Science and Engineering Faculty, Queensland University of Technology（昆士兰科技大学科学与工程学院）
Multiparametric Deep Learning Tissue Signatures for a Radiological Biomarker of Breast Cancer: Preliminary Results
The Johns Hopkins University School of Medicine（约翰霍普金斯大学医学院）；Sidney Kimmel Comprehensive Cancer Center（西德尼·基梅尔综合癌症中心）；The Johns Hopkins University（约翰霍普金斯大学）；University of Kentucky（肯塔基大学）；University of Wisconsin School of Medicine and Public Health（威斯康星大学医学与公共卫生学院）
LoGo-MR: Screening Breast MRI for Cancer Risk Prediction by Efficient Omni-Slice Modeling
Netherlands Cancer Institute（荷兰癌症研究所）；Radboud University Medical Center（拉德堡德大学医学中心）；University Medical Center Utrecht（乌得勒支大学医学中心）；Macao Polytechnic University（澳门理工大学）
Simulating Dynamic Tumor Contrast Enhancement in Breast MRI using Conditional Generative Adversarial Networks
Barcelona Artificial Intelligence in Medicine Lab (BCN-AIM)（巴塞罗那人工智能医学实验室）；Departament de Matemàtiques i Informàtica, Universitat de Barcelona（巴塞罗那大学数学与计算机科学系）；Institute of Machine Learning in Biomedical Imaging, Helmholtz Munich（生物医学成像机器学习研究所，海德堡慕尼黑）；School of Computation, Information and Technology, Technical University of Munich（慕尼黑技术大学计算、信息与技术学院）；Department of Oncology-Pathology, Karolinska Institutet（卡罗林斯卡研究所肿瘤-病理学系）；School of Biomedical Engineering & Imaging Sciences, King’s College London（伦敦国王学院生物医学工程与成像科学学院）
Robustness of breast lesion segmentation under MRI undersampling improves with k-space-aware deep learning
Institute for AI in Medicine (IKIM), University Hospital Essen（人工智能医学研究所（IKIM），埃森大学医院）；Department of Physics, Technical University Dortmund（物理系，多特蒙德技术大学）；Division of Radiology, German Cancer Research Center (DKFZ)（放射学部，德国癌症研究中心（DKFZ））；Cancer Research Center Cologne Essen (CCCE), University Medicine Essen（科隆埃森癌症研究中心（CCCE），埃森大学医学中心）；RACOON Study Group, Site Essen（RACOON研究组，埃森站点）；German Cancer Consortium (DKTK), Partner Site Essen（德国癌症联合会（DKTK），埃森合作伙伴站点）；Medical Faculty and Faculty of Computer Science, University of Duisburg-Essen（医学系和计算机科学系，杜伊斯堡-埃森大学）
Unsupervised Task Design to Meta-Train Medical Image Classifiers
Australian Institute for Machine Learning, The University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）；Institute for Systems and Robotics, Instituto Superior Tecnico（高等技术学院系统与机器人研究所）
Evaluating Post-hoc Interpretability with Intrinsic Interpretability
University of Coimbra（科英布拉大学）；IPO-Porto Research Centre（波尔图肿瘤学研究所研究中心）；University of Applied Sciences Western Switzerland (HES-SO Valais)（瑞士西部应用科学大学（瓦莱州高等专业学院））
Sustainable Deep Learning-Based Breast Lesion Segmentation: Impact of Breast Region Segmentation on Performance
Norwegian University of Science and Technology（挪威科技大学）；More og Romsdal Hospital Trust（默勒-鲁姆斯达尔医院信托基金）；Stavanger University Hospital（斯塔万格大学医院）；The University of Stavanger（斯塔万格大学）；Akershus University Hospital（阿克什胡斯大学医院）；University of Oslo（奥斯陆大学）
An interpretable classifier for high-resolution breast cancer screening images utilizing weakly supervised localization
Center for Data Science, New York University（纽约大学数据科学中心）；Department of Computer Science, Courant Institute, New York University（纽约大学库朗研究所计算机科学系）；Department of Radiology, NYU School of Medicine（纽约大学医学院放射科）；Perlmutter Cancer Center, NYU Langone Health（纽约大学朗格尼健康系统珀尔马特癌症中心）；Center for Advanced Imaging Innovation and Research, NYU Langone Health（纽约大学朗格尼健康系统先进成像创新与研究中心）；CIFAR Associate Fellow（CIFAR研究员（注：CIFAR是加拿大英属哥伦比亚大学的一个研究机构，但根据提取规则，此处仅提取“CIFAR”相关部分，严格按英文保留））
Utah State University（犹他州立大学）；University of Idaho（爱达荷大学）；Harbin Institute of Technology（哈尔滨工业大学）；The Affiliated Hospital of Qingdao University（青岛大学附属医院）；The Second Hospital of Hebei Medical University（河北医科大学第二医院）
Automated detection and segmentation of non-mass enhancing breast tumors with dynamic contrast-enhanced magnetic resonance imaging
Universidad de Granada（格拉纳达大学）；Memorial Sloan-Kettering Cancer Center（纪念斯隆-凯特琳癌症中心）；Medical University Vienna/AKH Wien（维也纳医科大学/维也纳总医院）；Florida State University（佛罗里达州立大学）
Large Kernel MedNeXt for Breast Tumor Segmentation and Self-Normalizing Network for pCR Classification in Magnetic Resonance Images
Department of Computer Engineering, Kwame Nkrumah University of Science and Technology（计算机工程系，库马西大学科学与技术学院）；Infectious Disease Group, Kumasi Centre for Collaborative Research in Tropical Medicine（传染病研究组，库马西热带医学协作研究中心）
A large-scale multicenter breast cancer DCE-MRI benchmark dataset with expert segmentations
Barcelona Artificial Intelligence in Medicine Lab (BCN-AIM)（巴塞罗那医学人工智能实验室（BCN-AIM））；Facultat de Matemàtiques i Informàtica, Universitat de Barcelona（巴塞罗那大学数学与信息学院）；Institute of Machine Learning in Biomedical Imaging, Helmholtz Center Munich（慕尼黑亥姆霍兹中心生物医学影像机器学习研究所）；School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院）；Department of Oncology-Pathology, Karolinska Institutet（卡罗林斯卡学院肿瘤病理学系）；nd Dept. of Radiology, Medical University of Gdansk（格但斯克医科大学第二放射科）；Área de Radiología Mamaria y Ginecológica (UDIAT CD), Parc Taulí Hospital Universitari（陶利大学医院乳腺与妇科放射学领域（UDIAT CD））；Unitat de Diagnòstic per la Imatge de la Mama (UDIM), Hospital Germans Trias i Pujol（日耳曼特里亚斯 i 普霍尔医院乳腺影像诊断单元（UDIM））；Centro Mamario Instituto Alexander Fleming（亚历山大·弗莱明研究所乳腺中心）
Medical Slice Transformer: Improved Diagnosis and Explainability on 3D Medical Images with DINOv2
University Hospital Aachen（亚琛大学医院）；Technical University Dresden（德累斯顿工业大学）；University Hospital Dresden（德累斯顿大学医院）；University Hospital Heidelberg（海德堡大学医院）
Graph Representation Learning of Longitudinal Medical Imaging Trajectories for Treatment Response Prediction
Technical University of Munich（慕尼黑工业大学）；TUM University Hospital Rechts der Isar（慕尼黑工业大学伊萨尔河右岸大学医院）；Helmholtz Munich（慕尼黑亥姆霍兹中心）；Universitat de Barcelona（巴塞罗那大学）；Medical University of Vienna（维也纳医科大学）；King’s College London（伦敦国王学院）；Munich Center for Machine Learning（慕尼黑机器学习中心）
Training Medical Image Analysis Systems like Radiologists
Australian Institute for Machine Learning（澳大利亚机器学习研究所）；The University of Adelaide（阿德莱德大学）；Science and Engineering Faculty, Queensland University of Technology（昆士兰科技大学科学与工程学院）；Institute for Systems and Robotics（系统与机器人研究所）；Instituto Superior Tecnico（高等理工学院）
Comparing Conditional Diffusion Models for Synthesizing Contrast-Enhanced Breast MRI from Pre-Contrast Images
Departament de Matemàtiques i Informàtica, Universitat de Barcelona, Spain（巴塞罗那大学数学与计算机系）；Parc Taulí Hospital Universitari, Spain（帕尔克·塔利大学医院）；Hospital Germans Trias i Pujol, Spain（加泰罗尼亚Trias i Pujol医院）；Siemens Healthineers, America, LAM（西门子医疗）；Institució Catalana de Recerca i Estudis Avançats (ICREA), Barcelona, Spain（加泰罗尼亚高级研究与教育研究所）；Computer Vision Center, Bellaterra, Spain（计算机视觉中心）
Learning Robust Medical Image Segmentation from Multi-source Annotations
Tsinghua University（清华大学）；Hong Kong University of Science and Technology（香港科技大学）；Chinese Academy of Sciences（中国科学院）；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深圳-香港协同创新研究院）
