Breast lesion characterization using Quantitative Ultrasound (QUS) and derivative texture methods
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
PURPOSE: Accurate and timely diagnosis of breast cancer is extremely important because of its high incidence and high morbidity. Early diagnosis of breast cancer through screening can improve overall prognosis. Currently, biopsy remains as the gold standard for tumor pathological confirmation. Development of diagnostic imaging techniques for rapid and accurate characterization of breast lesions is required. We aim to evaluate the usefulness of texture-derivate features of QUS spectral parametric images for non-invasive characterization of breast lesions. METHODS: QUS Spectroscopy was used to determine parametric images of mid-band fit (MBF), spectral slope (SS), spectral intercept (SI), average scatterer diameter (ASD), and average acoustic concentration (AAC) in 204 patients with suspicious breast lesions. Subsequently, texture analysis techniques were used to generate texture maps from parametric images to quantify heterogeneities of QUS parametric images. Further, a second-pass texture analysis was applied to obtain texture-derivate features. QUS parameters, texture-parameters and texture-derivate parameters were determined from both tumor core and a 5-mm tumor margin and were used in comparison to histopathological analysis in order to develop a diagnostic model for classifying breast lesions as either benign or malignant. Both leave-one-out and hold-out cross-validations were used to evaluate the performance of the diagnostic model. Three standard classification algorithms including a linear discriminant analysis (LDA), k-nearest neighbors (KNN), and support vector machines-radial basis function (SVM-RBF) were evaluated. RESULTS: Core and margin information using the SVM-RBF attained the best classification performance of 90% sensitivity, 92% specificity, 91% accuracy, and 0.93 AUC utilizing QUS parameters and their texture derivatives, evaluated using leave-one-out cross-validation. Implementation of hold-out cross-validation using combination of both core and margin information and SVM-RBF achieved average accuracy and AUC of 88% and 0.92, respectively. CONCLUSIONS: QUS-based framework and derivative texture methods enable accurate classification of breast lesions. Evaluation of the proposed technique on a large cohort using hold-out cross-validation demonstrates its robustness and its generalization.
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 | 0,000 |
| 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 découle