Detection of architectural distortion in prior mammograms of interval-cancer cases with neural networks
Notice bibliographique
Résumé
Architectural distortion is a commonly missed sign of breast cancer. This paper investigates the detection of architectural distortion, in mammograms of interval-cancer cases taken prior to the diagnosis of breast cancer, using Gabor filters, phase portrait analysis, fractal dimension, and texture analysis. The methods were used to detect initial candidates for sites of architectural distortion in prior mammograms of interval-cancer and also normal cases. A total of 4212 regions of interest (ROIs) were automatically obtained from 106 prior mammograms of 56 interval-cancer cases, including 262 ROIs related to architectural distortion, and from 52 prior mammograms of 13 normal cases. For each ROI, the fractal dimension and Haralick's texture features were computed. Feature selection was performed using stepwise logistic regression and in terms of the area under the receiver operating characteristics (ROC) curve (AUC). The best results achieved, in terms of AUC, are 0.75 with the Bayesian classifier, 0.71 with Fisher linear discriminant analysis, and 0.76 with an artificial neural network (ANN) based on radial basis functions (RBF). Analysis of the performance of the methods with free-response receiver operating characteristics indicated a sensitivity of 0.80 at 10.5 false positives per image.
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 | 0,001 |
| 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 ».