Creating a semantic lesion database for computer-aided MR mammography
Notice bibliographique
Résumé
This work presents the creation of a semantic lesion database which will support research into computer-aided lesion detection (CAD) in breast screening MRI. As an adjunct to conventional X-ray mammography, MR-mammography has become a popular screening tool for women with a high risk of breast cancer because of its high sensitivity in detecting malignancy. To address the needs of research and development into CAD for breast MRI an integrated tool has been designed to collect all lesion related information, conduct quantitative analysis, and then present crucial data to clinicians and researchers. A lesion database is an essential component of this system as it provides a link between the DICOM database of MR images and the meta-information contained in the Electronic Patient Record. The patient history, radiology reports from MRI screening visits and pathology reports are all collected, dissected, and stored in a hierarchical structure in the database. Moreover, internal links between pathology specimens and the location of the corresponding lesion in the image are established allowing diagnostic information to be displayed alongside the relevant images. If "ground truth" for an imaging visit can be established either by biopsy or by 2-year follow-up, then the case is labeled as suitable for use in training and testing CAD algorithms. At present a total of 1882 lesions (benign/malignant), 200 pathology specimens over 405 subjects and 1794 screening (455 CAD studies) are included in the database. As well as providing an excellent resource for CAD development this also has potential applications in resident radiologists' training and education.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,005 |
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 ».