Tumour Ellipsification in Ultrasound Images for Treatment Prediction in\n Breast Cancer
Notice bibliographique
Résumé
Recent advances in using quantitative ultrasound (QUS) methods have provided\na promising framework to non-invasively and inexpensively monitor or predict\nthe effectiveness of therapeutic cancer responses. One of the earliest steps in\nusing QUS methods is contouring a region of interest (ROI) inside the tumour in\nultrasound B-mode images. While manual segmentation is a very time-consuming\nand tedious task for human experts, auto-contouring is also an extremely\ndifficult task for computers due to the poor quality of ultrasound B-mode\nimages. However, for the purpose of cancer response prediction, a rough\nboundary of the tumour as an ROI is only needed. In this research, a\nsemi-automated tumour localization approach is proposed for ROI estimation in\nultrasound B-mode images acquired from patients with locally advanced breast\ncancer (LABC). The proposed approach comprised several modules, including 1)\nfeature extraction using keypoint descriptors, 2) augmenting the feature\ndescriptors with the distance of the keypoints to the user-input pixel as the\ncentre of the tumour, 3) supervised learning using a support vector machine\n(SVM) to classify keypoints as "tumour" or "non-tumour", and 4) computation of\nan ellipse as an outline of the ROI representing the tumour. Experiments with\n33 B-mode images from 10 LABC patients yielded promising results with an\naccuracy of 76.7% based on the Dice coefficient performance measure. The\nresults demonstrated that the proposed method can potentially be used as the\nfirst stage in a computer-assisted cancer response prediction system for\nsemi-automated contouring of breast tumours.\n
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».