Optimization of Full-Inversion Techniques Towards Clinical Ultrasound Elastography
Notice bibliographique
Résumé
Breast cancer is one of the most common cancers, representing 25% of all new cancers and 13% of all cancer related deaths in Canadian women. Early detection before treatment of breast cancer is paramount as survival rates decrease significantly over time. Some of the most common diagnostic and screening procedures include breast manual examination, X-ray mammography, ultrasonography and Magnetic Resonance Imaging (MRI). These methods are either unreliable, associated with dangerous ionization or too costly while they all have difficulty differentiating malignant tumors from benign ones without a follow-up biopsy. One technique that has shown a potential to minimize the number of biopsy cases is ultrasound elastography (USE), which images the breast tissue stiffness that is known to be substantially different for normal and pathological tissue. One of the issues plaguing USE is the lack of data quality due to input tissue displacement data quality and quantity. This data is obtained through processing radiofrequency data acquired at two compression states of the tissue that need to be acquired under the same ultrasound probe orientation to ensure high quality tissue stiffness image. Moreover, there exists no objective and automatic way to assess the quality and consistency of radio-frequency acquired throughout USE. Furthermore, methods capable of producing high quality lateral displacements are limited. As such, part of this research was dedicated to address these issues.. These issues compromise the practical utility of USE in clinical settings. This thesis introduces methodologies to tackle these issues, with the aim of optimizing USE for real time clinical settings, hence allowing reliable breast cancer assessment. It also introduces a series of metrics which can be used to objectively measure data quality. Finally, an open-source software solution was developed to guarantee data quality by generating it in-silico to facilitate the development and assessment of new displacement estimators.
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 | 0,000 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 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 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 ».