MAMA-MIA: A Large-Scale Multi-Center Breast Cancer DCE-MRI Benchmark Dataset with Expert Segmentations

目前在乳腺癌磁共振成像（MRI）方面，特别是在人工智能（AI）方面的研究面临着专家分割不足的挑战。为了解决这个问题，我们介绍了MAMA-MIA数据集，包括1506个多中心动态增强MRI病例，其中包含原发肿瘤和非肿块性增强区域的专家分割。这些病例来自The Cancer Imaging Archive（TCIA）中的四个公开可用的收藏。最初，我们训练了一个深度学习模型来自动分割病例，生成初步分割，大大减少了专家分割时间。然后，十六位平均乳腺癌经验为9年的专家纠正了这些分割结果，得到了最终的专家分割。此外，两位放射科医师对自动分割进行了视觉检查，以支持未来的质量控制研究。除了专家分割外，我们还提供了49个协调的人口统计和临床变量，以及使用DCE-MRI全图像和专家分割训练的知名nnUNet架构的预训练权重。该数据集旨在加速深度学习模型的开发和基准测试，并促进乳腺癌诊断和治疗规划的创新。

MAMA-MIA数据集旨在解决乳腺癌MRI图像分割中缺乏专家标注的问题，加速深度学习模型的发展和评估。

通过使用深度学习模型自动分割图像，然后由专家进行修正，生成最终的专家标注，从而减少专家标注的时间和成本。

该数据集包含1506个乳腺癌MRI图像，49个人口统计学和临床变量，以及使用DCE-MRI全图像和专家标注训练的预训练nnUNet模型权重。该数据集的发布将促进乳腺癌诊断和治疗规划方面的创新。

最近的相关研究包括：'Breast MRI Radiomics: A Robust Classifier for Distinguishing between Benign and Malignant Masses'，'Deep Learning for Breast Cancer Diagnosis from Mammograms – A Comparative Study'等。