Deep Neural Networks-based Malignant Breast Lesions Detection and Segmentation from Mammography
Notice bibliographique
Résumé
Breast cancer has the highest incidence among all cancer types for women globally. Convolutional Neural Networks (CNN) is the most widely used models for computer-aided breast cancer detection in mammograms. This paper used CNN-based architecture for malignant lesion detection and segmentation in mammography images using the public CBIS-DDSM and an in-house (IMI) dataset. The CBIS-DDSM consists of 1000 images, and the IMI consists of 295 images. The CBIS-DDSM was randomly split into 80/10/10% of training/validation/ testing datasets. In this study, we applied the U-Net model and devised two setups: first, train and test the model with the CBIS-DDSM, and second, use transfer learning in which the pre-trained model on the CBIS-DDSM dataset is fine-tuned by the IMI train set and tested on the IMI test set. Evaluation metrics for calculating the similarity include the Dice coefficient, but we also reported the Intersection-Over-Union index. The Free-Response receiver operating characteristic curve (FROC) was chosen to evaluate the detection performance as an evaluation criterion. The dice and IOU values of the first setup were 0.98±0.006 and 0.97±003, respectively, which indicates that the predicted lesions are highly similar to ground-truth lesions. The FROC curve of setup1 shows that the model could detect lesions with the true positive rate of 0.99±0.17 at the false positives per image of 2.7. In setup 2, the pre-trained model with the CBISM-DDSM dataset tuned with the IMI achieved the dice and IOU of 0.92±0.0 and 0.98±0.008, respectively, on the IMI test set. Also, the model detected lesions with a true positive rate of 0.98±0.20 at the false positives per image of 3.3. Our study showed the potential of the Transfer learning techniques to guarantee the reliable performance of publicly developed models by tuning them with a low number of in-house patients.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».