Motivation: Neoadjuvant systemic therapy (NAST) followed by surgery is the standard of care for triple-negative breast cancer (TNBC) patients. However, only approximately half of these patients achieve pathological complete response (pCR). Goal(s): To build a prediction model to identify non-pCR patients before the initiation of NAST. Approach: We evaluated multiple prediction models using pretreatment multi-parametric MRI from a cohort of 282 TNBC patients. Results: Our findings revealed that combined with clinical information, the best-performing model achieved an AUC of 0.74 on an independent testing set. We further observed that the performance of our models is not sensitive to the voxel selections in tumor segmentation. Impact: Deep learning models for predicting pathological complete response to neoadjuvant systemic therapy of triple-negative breast cancer were developed using baseline multi-parametric MRI data and clinical information and achieved an AUC of 0.74 on the independent testing dataset.

Motivation: No imaging biomarkers are currently available for predicting response to neoadjuvant systemic treatment (NAST) in triple negative breast cancer (TNBC), contributing to toxicity to patients from ineffective treatment regimens. Goal(s): To evaluate if quantitative analyses of breast parenchyma can serve as noninvasive biomarker of treatment response in TNBC. Approach: Mean background parenchymal enhancement (BPE) and radiomic features of fibroglandular tissue from longitudinal DCE-MRI were evaluated using AUC analysis on a prospective cohort of 273 TNBC patients. Results: Four first order radiomic features were predictive of pCR with AUC>0.6. Multivariable radiomic models and BPE changes had AUC<0.6 for pCR prediction in TNBC undergoing NAST. Impact: Radiomic features from fibroglandular tissue and background parenchymal enhancement changes in ipsilateral and contralateral breasts using DCE MRI during treatment of triple-negative breast cancer patients were evaluated as noninvasive biomarkers for prediction of pathologic complete response to neoadjuvant systemic therapy.

Motivation: There is unmet need for noninvasive biomarkers for neoadjuvant immunochemotherapy (NICT) response prediction in triple negative breast cancer (TNBC) to guide least toxic and most effective treatment regimens. Goal(s): To evaluate if DCE-MRI tumor volume changes measured early during NICT can predict treatment response. Approach: DCE-MRI tumor volume reduction (TVR) was calculated in 64 TNBC at baseline, after 2 and 4 cycles of NICT and correlated with surgical pathology using ROC analysis. Results: DCE-MRI TVR after 2 cycles of NICT was able to predict pCR with AUC of 0.71 (95%CI:0.57-0.84) and after 4 cycles with AUC of 0.81 (95%CI:0.69-0.92). Impact: DCE-MRI tumor volume changes early during neoadjuvant immunochemotherapy can identify triple negative breast cancer patients with high/low likelihood of pathologic complete response, triaging them to appropriate management for de-escalation trials versus targeted therapies, avoiding unnecessary toxicity of ineffective treatment.

Motivation: The fast spin-echo triple-echo Dixon images acquired with flexible echo-spacing (FTED-Flex) can be used to generate separated water and fat images with enhanced T2-weighted contrast. However, their performance and clinical applications are limited by its long image reconstruction time. Goal(s): Our goal is to develop a fast and accurate FTED-Flex image reconstruction method. Approach: The time-consuming phase estimation was replaced by a 3D deep-learning neural network. Results: The FTED-Flex integrated with a 3D deep-learning network was highly accurate (average Dice coefficient in volume-of-interest=0.989) and reduced the processing time for phase-estimation to a few seconds, compared to tens of minutes by conventional methods. Impact: The developed FTED-Flex integrated with a 3D deep-learning network is highly accurate and reduces the processing time for phase-estimation to a few seconds, thus it has a great potential to expand clinical applications of FTED-Flex imaging.