Semi-Supervised Deep Learning-Based Model for Segmentation of Breast Arterial Calcification on Screening Mammograms
Notice bibliographique
Résumé
PURPOSE: Breast arterial calcification (BAC), detectable on routine mammograms, offers a promising independent risk factor for cardiovascular disease (CVD) risk stratification. However, current BAC assessment methods lack standardization and rely on subjective interpretations. This study introduces a semi-supervised deep learning (DL) model to automate BAC severity grading, enhance cross-system generalizability, and align with clinical consensus. METHODS: A U-Net-based segmentation model was trained on 2560 annotated screening mammograms from 7 vendors. A semi-supervised learning strategy employing progressive pseudo-labeling incorporated 6000 unlabeled images to enhance model robustness. BAC severity was graded by thresholding the percentage area covered by BAC and benchmarked against radiologists' assessments using Canadian Society of Breast Imaging (CSBI) guidelines. Performance was evaluated using the Jaccard Similarity Coefficient (JSC) for segmentation, along with accuracy, precision, F1-score, and recall. For detecting clinically significant (Grade 3) BAC, sensitivity, specificity, and area under the curve (AUC) were assessed. Agreement with experts was evaluated using weighted kappa statistics. RESULTS: The proposed model achieved a JSC of 0.614, an accuracy of 0.991, an F1-score of 0.756, a precision of 0.763, and a recall of 0.764. It demonstrated superior segmentation accuracy compared to the baseline U-Net model. Agreement with consensus radiologists was high, with a weighted kappa of 0.90, 95% CI = (0.70, 1.00). For clinically significant (Grade 3) BAC, the model achieved an AUC of 0.87, 95% CI = (0.72, 1.00), sensitivity of 0.80, and specificity of 0.93. CONCLUSION: The framework holds promise for clinical adoption, integrating into mammography workflows and improving women's cardiovascular risk stratification.
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 | 0,000 |
| 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 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 ».