Feature extraction and classification of dynamic contrast-enhanced T2*-weighted breast image data
Notice bibliographique
Résumé
UNLABELLED: The relatively low specificity of dynamic contrast-enhanced T1-weighted magnetic resonance imaging (MR) imaging of breast cancer has lead several groups to investigate different approaches to data acquisition, one of them being the use of rapid T2*-weighted imaging. Analyses of such data are difficult due to susceptibility artifacts and breathing motion. MATERIALS AND METHODS: One-hundred-twenty-seven patients with breast tumors underwent MR examination with rapid, single-slice T2*-weighted imaging of the tumor. Different methods for classifying the image data set using leave-one-out cross validation were tested. Furthermore, a semi-automatic region of interest (ROI) definition tool was presented and compared with manual ROI definitions from a previous study. Finally, pixel-by-pixel analysis was done and compared with ROI analysis. The analyses were done with and without noise reduction. RESULTS: The minimum enhancement parameter was the most robust and accurate of the parameters tested. The semi-automatic ROI definition method was fast and produced similar results as the manually defined ROIs. Noise reduction improved both sensitivity and specificity, but the improvement was not statistically significant. The pixel-based analysis methods used in the present study did not improve classification results. CONCLUSIONS: Analysis of T2*-weighted breast images can be done in a rapid and robust manner by using semi-automatic ROI definition tools in combination with noise reduction. Minimum enhancement gives an indication of malignancy in T2*-weighted imaging.
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 | 0,001 |
| 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 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 ».