Automated detection of prostate cancer using wavelet transform features of ultrasound RF time series
Notice bibliographique
Résumé
The aim of this research was to investigate the performance of wavelet transform based features of ultrasound radiofrequency (RF) time series for automated detection of prostate cancer tumors in transrectal ultrasound images. Sequential frames of RF echo signals from 35 extracted prostate specimens were recorded in parallel planes, while the ultrasound probe and the tissue were fixed in position in each imaging plane. The sequence of RF echo signal samples corresponding to a particular spot in tissue imaging plane constitutes one RF time series. Each region of interest (ROI) of ultrasound image was represented by three groups of features of its time series, namely, wavelet, spectral and fractal features. Wavelet transform approximation and detail sequences of each ROI were averaged and used as wavelet features. The average value of the normalized spectrum in four quarters of the frequency range along with the intercept and slope of a regression line fitted to the values of the spectrum versus normalized frequency plot formed six spectral features. Fractal dimension (FD) of the RF time series were computed based on the Higuchi's approach. A support vector machine (SVM) classifier was used to classify the ROIs. The results indicate that combining wavelet coefficient based features with previously proposed spectral and fractal features of RF time series data would increase the area under ROC curve from 93.1% to 95.0%, respectively. Furthermore, the accuracy, sensitivity, and specificity increases to 91.7%, 86.6%, and 94.7%, from 85.7%, 85.2%, and 86.1%, respectively, using only spectral and fractal features.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».