Quantifying masking in clinical mammograms via local detectability of simulated lesions
Notice bibliographique
Résumé
PURPOSE: High mammographic density is known to be associated with decreased sensitivity of mammography. Recent changes in the BI-RADS density assessment address the effect of masking by densities, but the BI-RADS assessment remains qualitative and achieves only moderate agreement between radiologists. An automated, quantitative algorithm that estimates the likelihood of masking of simulated masses in a mammogram by dense tissue has been developed. The algorithm considers both the effects of loss of contrast due to density and the distracting texture or appearance of dense tissue. METHODS: A local detectability (dL) map is created by tessellating the mammograms into overlapping regions of interest (ROIs), for which the detectability by a non-prewhitening observer is computed using local estimates of the noise power spectrum and volumetric breast density (VBD). The dL calculation was validated in a 4-alternative forced-choice observer study on the ROIs of 150 craniocaudal digital mammograms. The dL metric was compared against the inverse threshold contrast, (ΔμT)(-1) from the observer study, the anatomic noise parameter β, the radiologist's BI-RADS density category, and a validated measure of VBD (Cumulus). RESULTS: The mean dL had a high correlation of r = 0.915 and r = 0.699 with (ΔμT)(-1) in the computerized and human observer study, respectively. In comparison, the local VBD estimate had a low correlation of 0.538 with (ΔμT)(-1). The mean dL had a correlation of 0.663, 0.835, and 0.696 with BI-RADS density, β, and Cumulus VBD, respectively. CONCLUSIONS: The proposed dL metric may be useful in characterizing the potential for lesion masking by dense tissue. Because it uses information about the anatomic noise or tissue appearance, it is more closely linked to lesion detectability than VBD metrics.
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 | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».