Minimizing Patient Risk in Contrast Enhanced Mammography (CEM): Deep Learning Techniques for Virtual Contrast Enhancement

Background Breast cancer is the most common malignancy among women and a leading cause of mortality worldwide. Early detection significantly improves prognosis and is the rationale for screening programs. Screening programs typically consist of biennial mammography, with more comprehensive annual protocols for high-risk women. However, mammography has lower sensitivity in patients with dense breasts. Contrast-enhanced mammography (CEM) addresses this limitation by improving mass visibility, offering sensitivity similar to MRI but at a lower cost with faster results. In recent years, there has been increasing interest in using generative models in many imaging tasks including contrast generation in CT and MRI. However, this area remains unexplored in CEM. Motivation Improve diagnostic performance and reduce risks associated with contrast media by utilizing generative models to create CEM images from mammography without the use of contrast agents. Objective Develop a generative model to produce dual-energy subtracted (DES) images of CEM from low-energy (LE) ones, enhancing the visibility of tissues and masses without the use of contrast agents. Materials and Methods This retrospective study at Veneto Institute of Oncology (IOV) analyzed 8073 breast images from 557 women from an intermediate and high-risk screening group and a consultation group. The images were split into train and validation groups and subsequently categorized as "With Mass" or "Without Mass". A third category labeled “Mass Only” was created based on the mass segmentation of the “With Mass” images. A Generative Adversarial Network (GAN) model was developed and trained on multiple raw and processed image channel combinations. The Validation group was divided into adipose breasts (BI-RADS density a-c) and dense breasts (BI-RADS density d). Mean Absolute Error (MAE) of both the whole segmented breast and the mass alone were used to evaluate each model. Results In the segmented breast images, the model trained on both raw and processed images exhibited the best performance in both "Without Mass" and “With Mass” categories across all subgroups (MAEBreast: “Without Mass” Overall = 6.2; “With Mass” Overall = 8.2). In the “Mass Only” category, the model trained on oversampled raw and processed images achieved the best performance across all subgroups (MAEMass: Adipose Breast = 39.5, Dense Breast = 35.1, Overall = 37.3), with the lowest MAEMass observed in the dense breast subgroup. Models trained only on processed images performed the worst. Conclusions This study presents a novel approach to generating DES images from mammographic images using GANs. The models showed promise across various categories, suggesting the possibility of offering CEM diagnostic performance for breast cancer diagnosis while minimizing patient risks associated with radiation and contrast agents.

Background Il cancro della mammella è la forma più comune di tumore tra le donne a livello mondiale e una delle principali cause di mortalità legata al cancro. La diagnosi precoce migliora notevolmente la prognosi, rendendo cruciale l'identificazione tempestiva. I programmi di screening del cancro al seno sono rivolti principalmente a donne di età compresa tra 40 e 74 anni, attraverso mammografie biennali e/o annuali. Tuttavia, la mammografia standard ha una bassa sensibilità nel rilevare il cancro nelle donne con tessuto mammario denso. La mammografia con contrasto (CEM) affronta questa limitazione attraverso l’utilizzo del mezzo di contrasto iodato e dei raggi X a due energie, migliorando significativamente la visibilità delle lesioni con una sensibilità paragonabile alla risonanza magnetica, ma a un costo inferiore. Obiettivo L'obiettivo di questo studio è di migliorare la performance diagnostica della mammografia attraverso l'utilizzo di modelli generativi, creando immagini a contrasto virtuale da mammografie, senza l'uso di agenti di contrasto reali. Questo approccio mira a ridurre o eliminare i rischi associati ai mezzi di contrasto. Materiali and Metodi Lo studio ha analizzato retrospettivamente 8073 immagini mammografiche di 557 donne presso l'Istituto Oncologico Veneto. Le immagini sono state suddivise nei gruppi di training e validazione e successivamente categorizzate in "With Mass" o "Without Mass". Una terza categoria, denominata “Mass Only” è stata creata utilizzando le segmentazioni delle masse della categoria “With Mass”. Il modello generativo, basato su una rete avversaria generativa (GAN), è stato allenato su diverse combinazioni di canali di immagini grezze e processate. Il gruppo di validazione è stato suddiviso in base alla densità mammaria in mammelle adipose (BI-RADS a-c) e dense (BI-RADS d). La Mean Absolute Error (MAE) è stata usata come la metrica principale per la valutazione di ciascun modello. Risultati I risultati hanno mostrato un'alta consistenza tra le prestazioni del training e della validazione, con il modello migliore ottenuto combinando immagini grezze e processate nelle categorie “Without Mass” e “With Mass” (MAEBreast: “Without Mass” Overall = 6.2; “With Mass” Overall = 8.2). Nella categoria “Mass Only”, il miglior modello ottenuto è stato quello allenato sull’oversampling delle immagini grezze e processate (MAEMass: Adipose Breast = 39.5, Dense Breast = 35.1, Overall = 37.3). I modelli allenati solo sulle immagini processate sono risultati i meno performanti. Conclusioni I modelli dimostrano la capacità potenziale di ottenere le stesse performance della CEM senza l’uso del mezzo di contrasto, minimizzando i rischi per le pazienti associati alla radiazione e ai mezzi di contrasto.