Enhancing breast pectoral muscle segmentation performance by using skip connections in fully convolutional network
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
Abstract The precise detection and segmentation of pectoral muscle areas in mediolateral oblique (MLO) views is an essential step in the development of a computer‐aided diagnosis system to access breast malignant lesions or parenchyma. The goal of this article is to develop a robust and fully automatic algorithm for pectoral muscle segmentation from mammography images. This paper presents an image enhancement approach that improves the quality of mammogram scans and a convolutional neural network‐based fully convolutional network architecture enhanced with residual connections for automatic segmentation of the pectoral muscle from the MLO views of a digital mammogram. For this purpose, the model is tested and trained on three different mammogram datasets named MIAS, INBREAST, and DDSM. The ground truth labels of the pectoral muscle were identified under the supervision of experienced radiologists. For training and testing, 10‐fold cross‐validation was used. The proposed model was compared with baseline U‐Net‐based architecture. Finally, we used a postprocessing step to find the actual boundary of the pectoral muscle. Our presented architecture generated a mean Intersection over Union (IoU) of 97%, dice similarity coefficient (DSC) of 96% and 98% accuracy on testing data. The proposed architecture for pectoral muscle segmentation from the MLO views of mammogram images with high accuracy and dice score can be quickly merged with the breast tumor segmentation problem.
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 | 0,000 | 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 | 0,001 |
| 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 découle