SU‐GG‐I‐50: Breast Tissue Classification in Digital Breast Tomosynthesis Images Using Texture Features
Notice bibliographique
Résumé
Purpose: Breast density is a known breast cancer risk factor. Digital breast tomosynthesis (DBT) is a tomographic x‐ray breast imaging modality with superior breast tissue visualization in comparison to mammography. The goal of our on‐going study is to evaluate the performance of DBT texture features in distinguishing between dense and fatty breast tissue regions. Our hypothesis is that DBT texture analysis could result in more discriminative features to characterize breast density in comparison to mammography, and ultimately yield more accurate measures of risk. Method and Materials: DBT images and digital mammograms (DM) from 39 women were analyzed. DBT and DM acquisition was performed with a GE Senographe 2000D FFDM system modified to allow positioning of the x‐ray tube at 9 locations by varying the angle from −25° to +25° in increments of 6.25°. Filtered‐backprojection was used to reconstruct DBT tomographic planes in 1 mm increments. The dense tissue area was delineated within each breast image using a widely validated thresholding technique (Cumulus Ver. 4.0, University of Toronto). Two regions of interest (ROIs) were manually selected in each breast image: one within the dense tissue region and another within the fatty region. Texture features of skewness, coarseness, contrast, fractal dimension, energy and homogeneity were computed from all available ROIs. Two‐tailed paired Student's t‐test was applied to compare the means of the texture feature distributions from the dense versus the fatty ROIs. Results: Coarseness, contrast, energy and homogeneity were statistically significantly different (p⩽0.001) between dense and fatty ROIs. Dense ROIs have lower coarseness, higher contrast, higher energy and lower homogeneity. Conclusion: X‐ray image texture differs between dense and fatty breast tissue regions. Further work is underway to fully compare the relative performance of texture features in classifying dense versus fatty tissue regions using DM, DBT source projections, and reconstructed DBT images.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».