Brustkrebs ist die häufigste Krebsart bei Frauen, wobei geschätzt wird, dass in Österreich 7.5% aller Frauen bis zu ihrem 74. Lebensjahr an Brustkrebs erkranken werden. Die frühzeitige Erkennung ist entscheidend für den Behandlungserfolg und die Überlebenswahrscheinlichkeit. Bei Frauen mit einem erhöhtem Brustkrebsrisiko aufgrund positiver Familienanamnese oder prädisponierenden Mutationen ist Dynamic Contrast Enhanced Magnetic Resonance Imaging (DCE-MRI) die Methode der Wahl beim Brustkrebsscreening. Obwohl DCE-MRI die sensitivste bildgebende Methode darstellt, ist sie mit einer relativ hohen Falsch-Positiv-Rate behaftet. Darüber hinaus, erfordert die Befundung von DCE-MRI jahrelange radiologische Erfahrung and nimmt viel Zeit in Anspruch. Deep Learning (DL) spielt eine zunehmend wichtigere Rolle bei der Diagnose von Krebs, weil damit krankheitsrelevante Muster aufgedeckt werden können, die mit bloßem Auge nicht zu erkennen wären. Allerdings wird das Potential von DL durch die Größe der zur Verfügung stehenden Trainingsdaten limitiert. Das Ziel dieser Masterarbeit war daher die Entwicklung von auf DL basierenden Methoden, die auf Domain spezifisches Transfer Learning zurückgreifen, um die Detektion und Klassifizierung von Läsionen (Regionen abnormalen Gewebes) in DCE-MRI zu unterstützen. Zu diesem Zweck wurden 2 Datensätze verwendet: Als erstes, die AKH Patientenkohorte, bestehend aus 606 Hochrisikopatientinnen, die an regelmäßigen Brustkrebsscreening am Allgemeinen Krankenhaus (AKH) Wien über die letzten 20 Jahre teilgenommen haben. Als zweites, die öffentlich zugängliche Duke Patientenkohorte, die 922 Patientinnen mit invasivem Brustkrebs umfasst. Zur Detektion von Läsionen wurde ein Residual Network (ResNet) basierender sliding window Ansatz mit einer Yolo (You only look once) basierenden bounding box Vorhersage verglichen. In beiden Fällen wurden die Modelle zuerst auf der Duke Patientenkohorte vortrainiert und anschließend auf der AKH Patientenkohorte fein abgestimmt und evaluiert. Für die Klassifizierung von Läsionen wurden die ResNet Modelle, die zuvor zur Detektion von Läsionen auf der Duke Kohorte trainiert wurden, in einer 5-fach Kreuzvalidierung als Basis für das Training von neuen ResNet Modellen zur Differenzierung von benignen and malignen Läsionen in der AKH Patientenkohorte herangezogen. Das beste ResNet/Yolo Modell wies eine Receiver Operating Characteristic (ROC) Area Under the Curve (AUC) von 0.961/0.855 und eine Precision Recall (PreRec) AUC von 0.224/0.426 auf. In der Kreuzvalidierung zur Klassifizierung von Läsionen konnte eine mediane ROC AUC von 0.713/0.653 und eine mediane PreRec AUC von 0.615/0.374 mit/ohne Zuhilfenahme von Domain spezifischen Transfer Learning erreicht werden. Zusätzlich, konnte ein Schwellwerte berechnet werden unter dem 4.5% aller benignen Läsionen erkannt werden, ohne eine maligne Läsion zu übersehen. Zusammenfassend lässt sich sagen, dass das Potential von Domain spezifischen Transfer Learning bei der Unterstützung der Detektion und Klassifizierung von Läsionen bei gleichzeitiger Reduktion von belastenden und entbehrlichen Biopsien gezeigt wurde. Wenngleich die Ergebnisse vielversprechend sind, müssen diese erst an einer externen Hochrisikokohorte validiert werden.

Breast cancer is the most common type of cancer in women, whereby it is estimated that 7.5% of women in Austria will develop breast cancer until the age of 74. Early detection is crucial for effective treatment and patient survival. In women at an elevated risk of developing breast cancer due to family history or predisposing mutations Dynamic Contrast Enhanced Magnetic Resonance Imaging (DCE MRI) is the method of choice for screening. Although DCE-MRI is the most sensitive imaging modality, it is associated with a relatively high false positive rate. Moreover, reporting of DCE-MRI demands years of radiological experience and is time consuming. Deep Learning (DL) plays an increasingly important role in the diagnosis of cancer as it allows to uncover disease related patterns that would be impossible to detect with the naked eye. However, the potential of DL is limited by the size of available training data. Therefore, the aim of this master’s thesis was the development of DL based methods to aid the detection and classification of lesions (areas of abnormal tissue) in DCE-MRI by exploiting domain specific transfer learning. To this end, two datasets were used: First, the AKH patient cohort consisting of 606 high risk women who visited the Vienna General Hospital (AKH) for regular screenings over the past 20 years. Second, the publicly available Duke patient cohort which includes 922 patients with invasive breast cancer. For lesion detection, a Residual Network (ResNet) based sliding window approach and a You only look once (Yolo) based bounding box prediction were compared. In both cases the models were first pre-trained on the Duke cohort and subsequently finetuned and evaluated on the AKH patient cohort. For lesion classification, the ResNet models that were previously trained for lesion detection on the Duke patient cohort were used in a 5 fold cross-validation as the basis for training new ResNet models to differentiate benign and malignant lesions in patients of the AKH cohort. In lesion detection the best ResNet/Yolo model yielded a Receiver Operating Characteristic (ROC) Area Under the Curve (AUC) of 0.961/0.855 and a Precision Recall (PreRec) AUC of 0.224/0.426. In the cross-validation of lesion classification a median ROC AUC of 0.713/0.653 and a median PreRec AUC of 0.615/0.374 could be achieved with/without domain specific transfer learning. Additionally, a threshold was determined at which 4.5% of benign lesions could be identified without missing a malignant lesion. To conclude, the potential of domain specific transfer learning was demonstrated in aiding radiologists in the detection and classification of suspicious lesions while at the same time reducing the need for unnecessary and burdensome biopsies. Even though the results are promising, they will have to be validated on an external high-risk patient cohort.