Automatic atlas‐based segmentation of the breast in MRI for 3D breast volume computation
Notice bibliographique
Résumé
PURPOSE: Breast density is considered a significant risk factor and an important biomarker influencing the later risk of breast cancer. Prior breast segmentation is required when quantifying breast density with MRI in order to calculate the total breast volume and exclude nonbreast surrounding tissues. This paper describes an automatic 3D breast volume segmentation approach. METHODS: The method is based on 3D local edge detection using phase congruency and Poisson surface reconstruction to extract the total breast volume. The boundary localization framework is integrated to a subsequent shape atlas-based segmentation using a Laplacian framework. RESULTS: The 3D segmentation achieves breast-air and breast-chest wall boundary localization errors with a median of 1.36 mm and 2.68 mm, respectively, and an average volume error of 153.8 cm(3) when tested on 409 MRI datasets. Furthermore, the breast volume assessment technique will produce a 5.3% variability in the estimation of breast density in the tested population. CONCLUSIONS: The fully automated segmentation approach of the breast in MRI allows the computation of total breast volume, a step required for breast density assessment. The use of features invariant to image intensity and a shape atlas to reinforce shape consistency are attractive characteristics of the method. Error analysis demonstrates that 5.3% variability in the estimation of breast density incurred by the method is an acceptable trade-off.
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 ».