The Impact of Slice Thickness on Diagnostic Accuracy in Digital Breast Tomosynthesis
Notice bibliographique
Résumé
Purpose: To evaluate the effect of slice thickness on diagnostic accuracy in Digital Breast Tomosynthesis (DBT). Method: Two readers retrospectively interpreted 150 DBT (125 normal and 25 pathology-proven cancer) cases scanned between October 2017–November 2020. The DBT studies were randomised and reviewed independently by the two readers. DBT studies were reviewed using a standard protocol (1 mm slices, no overlap and synthetic 2D-mammography (SM)) and an experimental protocol (10 mm slabs, 5 mm overlap and SM). Any abnormality and BIRADS scores were recorded by each reader. Sensitivity, specificity, interobserver and intraobserver agreement were calculated (Cohen’s Kappa κ). For diagnostic accuracy, the reference standard was histopathology or a normal mammogram at 2 years. Results: The sensitivity and specificity for reader 1 and 2 for cancer detection was reader 1 (97% and 79% for the standard protocol, 97% and 76% for the experimental protocol) and reader 2 (97% and 74% for both protocols). Reader 1 had 97.6% intraobserver agreement (κ .95) and reader 2 had 96.4% intraobserver agreement (κ .92) when assessing the standard and experimental protocols. There was 90.5% agreement between the readers for the standard protocol (κ .80). There was 90.9% agreement between the readers for the experimental protocol (κ .81). Of the 25 DBT studies with pathology-proven cancer, one cancer was missed by both readers using both protocols. Conclusion: The diagnostic accuracy was similar between the standard and experimental DBT protocols, demonstrating excellent interobserver and intraobserver agreement. This suggests 10-mm thick slabs can potentially replace 1-mm thin slices in the interpretation of DBT.
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 | 0,001 | 0,006 |
| 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 ».