Tissue Harmonic Imaging, Frequency Compound Imaging, and Conventional Imaging
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: The purpose of this study was to evaluate different sonographic settings (tissue harmonic, frequency compounding, and conventional imaging) and to determine which setting optimizes breast lesion detection and lesion characterization. METHODS: Four hundred thirteen consecutive breast lesions (249 benign and 164 malignant) were evaluated by sonography using 4 different modes (conventional imaging at 14 MHz, tissue harmonic imaging at 14 MHz [THI], and frequency compound imaging at 10 MHz [CI10] and 14 MHz [CI14]). The images were reviewed by consensus by 2 breast radiologists. For each image, the lesion was graded for conspicuity, mass margin assessment, echo texture assessment, overall image quality, and posterior acoustic features. RESULTS: For lesion conspicuity, THI and CI14 were better than conventional imaging (P < .01) and CI10 (P < .01) particularly against a fatty background (P < .01 for THI versus conventional for a fatty background versus P = .13 for a dense background). Frequency compound imaging at 10 MHz performed the best in echo texture assessment (P < .01), as well as overall image quality (P < .01). For margin assessment, CI10 performed better for deep and large (> or =1.5-cm) lesions, whereas CI14 performed better for small (<1.5-cm) and superficial lesions. Finally, THI and CI14 increased posterior shadowing (P < .01) and posterior enhancement (P < .01). CONCLUSIONS: The standard breast examination incorporates 2 distinct processes, lesion detection and lesion characterization. With respect to detection, THI is useful, especially in fatty breasts. With respect to characterization, compound imaging improves lesion echo texture assessment. No single setting in isolation can provide the necessary optimized information for both of these tasks. As such, a combination approach is best.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle