Methods and Benchmarks for Trustworthy AI in Breast Imaging

Abstract

[eng] Breast cancer remains one of the most pressing global health challenges, with early detection and effective treatment planning relying heavily on advanced imaging and accurate interpretation. This PhD thesis addresses critical limitations in artificial intelligence (AI) applications for breast cancer imaging, specifically the lack of generalisability across clinical centres and the need for improved fairness across patient subgroups. The work focuses on two key modalities: digital mammography for early lesion detection, and dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) for tumor segmentation and treatment response prediction. Four core contributions are presented: (1) a deep learning-based domain generalization framework for robust mass detection across unseen mammography domains; (2) a GAN-based augmentation method to improve detection in women with dense breast tissue, addressing a known fairness gap; (3) an image synthesis and domain adaptation strategy to harmonize MRI protocol variability and improve tumor segmentation; and (4) the development of a large-scale, multi-centre breast DCEMRI dataset with expert annotations and clinical outcome labels. These efforts culminated in the organization of the international MAMA-MIA Challenge (MICCAI 2025)—the first benchmark to evaluate breast MRI segmentation and treatment response prediction with integrated subgroup-aware fairness metrics. Together, these contributions demonstrate that targeted algorithmic innovation, inclusive data design, and open benchmarking can substantially enhance the robustness, equity, and translational potential of AI in breast cancer imaging. This thesis lays the foundation for next-generation decision support systems that are not only technically reliable, but also ethically aligned with the goals of personalized and equitable cancer care.

[cat] El càncer de mama continua sent un dels principals reptes de salut global, on la detecció precoç i la planificació eficaç del tractament depenen fortament d’imatges mèdiques avançades i d’una interpretació acurada. Aquesta tesi doctoral aborda limitacions crítiques en l’aplicació de la intel·ligència artificial (IA) per a la imatge mèdica del càncer de mama, concretament, la manca de generalització entre centres clínics i la necessitat de millorar la equitat entre diferents subgrups de pacients. El treball es centra en dues modalitats clau: la mamografia digital per a la detecció precoç de lesions i la ressonància magnètica dinàmica amb contrast (RM-DCE) per a la segmentació tumoral i la predicció de la resposta al tractament. Es presenten quatre contribucions principals: (1) un marc de generalització de domini basat en aprenentatge profund per a la detecció robusta de masses mamàries en dominis no vistos; (2) un mètode d’augmentació de dades amb GANs per millorar la detecció en dones amb teixit mamari dens, abordant una bretxa coneguda d’equitat; (3) una estratègia de sintesi d’imatges i adaptació de domini per harmonitzar la variabilitat dels protocols en RM i millorar la segmentació tumoral; i (4) el desenvolupament d’un conjunt de dades de RM-DCE mamària a gran escala i multicèntric amb anotacions d’experts i etiquetes de resultats clínics. Aquests esforços culminen amb l’organització del Repte MAMA-MIA (MICCAI 2025), el primer benchmark internacional per avaluar la segmentació tumoral i la predicció de la resposta terapèutica amb mètriques d’equitat entre subgrups. En conjunt, aquestes contribucions mostren que la innovació algorítmica dirigida, el disseny de dades inclusiu i l’avaluació oberta poden millorar substancialment la robustesa, l’equitat i el potencial translacional de la IA en el diagnòstic del càncer de mama. Aquesta tesi posa les bases per a eines de suport a la decisió que no només siguin tècnicament fiables, sinó també èticament alineades amb els objectius d’una atenció oncològica personalitzada i equitativa.

[spa] El cáncer de mama sigue siendo uno de los principales desafíos de salud pública a nivel mundial, donde la detección precoz y una planificación terapéutica eficaz dependen en gran medida de técnicas de imagen avanzadas y una interpretación precisa. Esta tesis doctoral aborda limitaciones críticas en la aplicación de la inteligencia artificial (IA) en el ámbito de la imagen médica del cáncer de mama, en particular, la falta de generalización entre centros clínicos y la necesidad de mejorar la equidad entre diferentes subgrupos de pacientes. El trabajo se centra en dos modalidades clave: la mamografía digital para la detección temprana de lesiones y la resonancia magnética dinámica con contraste (RM-DCE) para la segmentación tumoral y la predicción de la respuesta al tratamiento. Se presentan cuatro contribuciones principales: (1) un marco de generalización de dominio basado en aprendizaje profundo para la detección robusta de masas mamarias en dominios no vistos; (2) un método de aumento de datos basado en GANs para mejorar la detección en mujeres con mamas densas, abordando una conocida brecha de equidad; (3) una estrategia de síntesis de imágenes y adaptación de dominio para armonizar la variabilidad de protocolos en RM y mejorar la segmentación tumoral; y (4) el desarrollo de un conjunto de datos RM-DCE de mama a gran escala y multicéntrico con anotaciones expertas y etiquetas de resultados clínicos. Estos esfuerzos culminaron con la organización del MAMA-MIA Challenge (MICCAI 2025), el primer benchmark internacional para evaluar la segmentación tumoral y la predicción de la respuesta terapéutica con métricas de equidad entre subgrupos. En conjunto, estas contribuciones demuestran que la innovación algorítmica dirigida, el diseño de datos inclusivo y la evaluación abierta pueden mejorar sustancialmente la robustez, la equidad y el potencial traslacional de la IA en el cáncer de mama. Esta tesis sienta las bases para futuras herramientas de apoyo al diagnóstico que no solo sean técnicamente fiables, sino también éticamente alineadas con los objetivos de una atención oncológica personalizada y equitativa.