Computer‐aided diagnosis system for the detection of bronchiectasis in chest computed tomography images
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 A computer‐aided diagnosis (CAD) system has been developed for the detection of bronchiectasis from computed tomography (CT) images of chest. A set of CT images of the chest with known diagnosis were collected and these images were first denoised using Wiener filter. The lung tissue was then segmented using optimal thresholding. The Pathology Bearing Regions (PBRs) were then extracted by applying pixel‐based segmentation. For each PBR, a gray level co‐occurrence matrix (GLCM) was constructed. From the GLCM texture features were extracted and feature vectors were constructed. A probabilistic neural network (PNN) was constructed and trained using this set of feature vectors. The images together with the PBRs and the corresponding feature vector and diagnosis were stored in an image database. Rules for diagnosis and for determining the severity of the disease were generated by analyzing the images known to be affected by bronchiectasis. The rules were then validated by a human expert. The validated rules were stored in the Knowledge Base. When a physician gives a CT image to the CAD system, it first transforms the image into a set of feature vectors, one for each PBR in the image. It then performs the diagnosis using two techniques: PNN and mahalanobis distance measure. The final diagnosis and the severity of the disease are determined by correlating the diagnosis determined by both the techniques in consultation with the knowledge base. The system also retrieves similar cases from the database. Thus, this system would aid the physicians in diagnosing bronchiectasis. © 2009 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 19, 290–298, 2009
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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