Enhancing the Quality of Compressed Breast Ultrasound Imagery through Application of Wavelet Convolutional Neural Networks
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
Breast cancer, a pervasive and life-threatening malignancy, predominantly affects women worldwide.Despite the widespread adoption of imaging technologies such as mammography for early-stage breast cancer detection, access to such specialized imaging equipment remains limited in low-income countries.Conversely, ultrasound imaging has demonstrated its efficacy as a cost-effective tool for tumor identification.The advent of portable ultrasound devices facilitates rapid and precise lesion diagnosis in the breast, circumventing the need for hospital visits.Nevertheless, the images procured by portable ultrasound devices are typically necessitated to be transmitted in a compressed format for remote evaluation by physicians.This compression process often introduces artifacts in medical images, complicating the delineation of tumorous regions.To address this challenge, we introduce a deep-learning solution in this paper.A novel wavelet convolutional neural network (CNN) architecture is conceived to learn and subsequently diminish the artifacts present in compressed ultrasound images.To achieve this, a diverse dataset comprising various types of breast ultrasound imagesmalignant, benign, and normalis utilized.Experimental outcomes indicate that the proposed method surpasses the denoising CNN in mitigating artifacts in compressed ultrasound images.This improved performance is particularly evident in the most compressed images, which are of significant interest.This research underscores the potential of deploying deep-learning techniques to enhance the quality of compressed medical images, thereby facilitating more accurate and efficient remote diagnoses.
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