Improving The Accuracy Of Computer-Aided Diagnosis (Cad)For Breast Mri By Differentiating Between Mass And NonmassLesions.
Notice bibliographique
Résumé
Purpose: To determine suitable features and optimal classifier design for a computer-aided diagnosis (CAD) system to differentiate among mass and non-mass enhancements during dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) of the breast. Materials and Methods: Histology-proven 280 mass lesions and 129 non-mass lesions from MRI studies were retrospectively collected. The institutional research ethics board (REB) approved this study and waived informed consent. BIRADS classification of mass and non-mass enhancements was obtained from radiology reports. Image data from DCE-MRI was extracted and analyzed using feature selection techniques and binary, multiclass and cascade classifiers. Performance differences among classifiers were assessed by area under the receiver operating characteristic curve (AUC), Sensitivity (Se) and Specificity (Sp). Bootstrap cross-validation was used to predict the feature sets and the classifier choices with the best discrimination power for the classification task of mass and nonmass benign and malignant breast lesions. Results: A total of 176 features were extracted from the lesion ROI. Feature relevance ranking indicated unequal importance of kinetic, texture and morphology features for mass and non-mass lesions. Best classifier performance was a 2-stage cascade classifier (mass vs. non-mass followed by malignant vs. benign classification), with 0.91 AUC, 95%CI: [0.88-0.94] in comparison to one-shot (i.e. all benign vs. malignant classifier) with 0.89 AUC, 95%CI: [0.85-0.92]. The AUC was 2% higher for cascade (median % difference obtained using paired bootstrapped samples) and this was statistically significant (pvalue= 0.0027). Our proposed 2-stage cascade classifier decreases the overall misclassification rate by 12%, (72/409) missed diagnoses by cascade versus (82/409) missed by one-shot. Conclusion: Optimizing feature selection and training classifiers for mass and non-mass lesions separately improves the accuracy of a CAD for breast MRI. By cascading classifiers we obtained a significant improvement in performance with respect to a one-shot classifier. Our cascaded classifier may provide an advantage for screening of women at high-risk, where the ability to diagnose cancers at an early-stage is of primary importance. This record was migrated from the OpenDepot repository service in June, 2017 before shutting down.
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 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 | 0,001 | 0,002 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».