Tissue sensing adaptive radar for breast cancer detection: investigations of reflections from the skin
Notice bibliographique
Résumé
Alternative methods of breast cancer detection are of interest due to the limitations of the current gold standard imaging method, mammography (S.J. Nass et al., eds., Mammography and Beyond: Developing Technologies for the Early Detection of Breast Cancer, National Research Council, 2001.). One method of radar-based breast imaging is tissue sensing adaptive radar (TSAR), which senses all tissues in the volume of interest and adapts the algorithm accordingly (E.C. Fear and M. Okoniewski, Microwave and RF Appl., American Ceramic Soc., pp. 487-494, 2003). The dominant reflection in the initial TSAR signal is due to the skin surrounding the breast, which is electrically different from normal breast tissues. This reflection contains information such as the location of the object of interest, and depends on the skin thickness and electrical properties. By analysing the skin reflection, we may extract more information to use in the TSAR algorithm. For example, the location information is used by the TSAR algorithms to create an outline of the region of interest. The thickness information and electrical properties are used in image formation. In this paper, we investigate the application of deconvolution techniques to the initial TSAR signals. The aim of deconvolution in this case is to provide improved estimates of both skin location and thickness. Improved estimates of both of these quantities are expected to result in improved TSAR 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».