Breast lesion characterization using Quantitative Ultrasound (QUS) and derivative texture methods
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.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».