Recovering unprocessed digital mammograms from processed mammograms for quantitative analysis
Notice bibliographique
Résumé
In many mammography facilities only the processed mammograms are preserved to reduce the space requirement and cost of digital archiving. The original unprocessed “raw” mammograms are preferred for quantitative analysis, since they more faithfully represent the x-ray transmission pattern and thus the breast composition. We present the results of a machine learning algorithm that attempts to restore a raw mammogram from its processed version. In this study, 2776 paired sets of the two image types were obtained, corresponding to 635 patients. The machine learning model used was based on a U-Net with attention gates on the long skip connections. A two-pass learning approach was used. The first pass used a mean-squared error loss function with focus on the periphery of the breast, with 5 epochs and a learning rate of 10-5 to settle the network weights quickly. In a second pass, a perceptual loss function, based on features extracted from a pretrained VGG16 neural net, was used with 15 epochs and a 10-6 learning rate. When tested on central ROIs, the mean relative absolute difference (MRAD) and structural similarity index (SSIM) between the original and restored raw images were 0.04 and 0.98, respectively. On the complete (but downsampled) images, MRAD and SSIM were 0.10 and 0.99, respectively. Lesion detectability and cancer masking potential were also measured on the original and restored raw images, showing Pearson correlations of 0.89 in both cases. The algorithm shows potential for using the restored raw images from processed images for the purposes of quantitative analysis. Future work will extend the approach to higher resolution images to preserve detail and more efficient network architectures to reduce memory requirements.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».