Multiparametric MRI maps for detection and grading of dominant prostate tumors
Notice bibliographique
Résumé
PURPOSE: To develop an image-based technique capable of detection and grading of prostate cancer, which combines features extracted from multiparametric MRI into a single parameter map of cancer probability. MATERIALS AND METHODS: A combination of features extracted from diffusion tensor MRI and dynamic contrast enhanced MRI was used to characterize biopsy samples from 29 patients. Support vector machines were used to separate the cancerous samples from normal biopsy samples and to compute a measure of cancer probability, presented in the form of a cancer colormap. The classification results were compared with the biopsy results and the classifier was tuned to provide the largest area under the receiver operating characteristic (ROC) curve. Based solely on the tuning of the classifier on the biopsy data, cancer colormaps were also created for whole-mount histopathology slices from four radical prostatectomy patients. RESULTS: An area under ROC curve of 0.96 was obtained on the biopsy dataset and was validated by a "leave-one-patient-out" procedure. The proposed measure of cancer probability shows a positive correlation with Gleason score. The cancer colormaps created for the histopathology patients do display the dominant tumors. The colormap accuracy increases with measured tumor area and Gleason score. CONCLUSION: Dynamic contrast enhanced imaging and diffusion tensor imaging, when used within the framework of supervised classification, can play a role in characterizing prostate cancer.
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 | 0,001 | 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 ».