人工神经网络在乳房x光检查解释和诊断决策

文摘

筛查性乳房x光检查是早期发现乳癌的最有效的手段。虽然一般规则识别恶性和良性病变存在,放射科医生不能完全检测和分类所有病变恶性和良性的,原因有很多,包括,但不限于,重叠的功能区分恶性肿瘤,很难评估疾病风险,建议管理和可变性。预测变量是众多和互动时,临时决策策略基于经验和记忆可能会导致在实践中系统误差和可变性。计算机模型的集成帮助放射科医生增加乳房x光检查的准确性检查在诊断决策在过去二十年已经得到了越来越多的关注。在这项研究中,我们提供的概述的一个最常用的模型,人工神经网络(ann),在乳房x光检查解释在乳房x光检查和诊断决策和讨论重要的功能解释。我们最后讨论几种常见现有研究的局限性ANN-based检测和诊断模型,并提供未来可能的研究方向。

1。介绍

乳腺癌是最常见的nonskin癌症和癌症死亡的第二大原因在美国妇女中(1]。预计八分之一美国妇女患乳腺癌在他们的生活2]。美国癌症协会(ACS)估计,288130名妇女被诊断为乳腺癌,39520在2011年死于这种疾病3]。

不幸的是,没有简单的方法来预防乳腺癌。然而,当检测到的早,就有效的治愈这种疾病。例如,5年生存率从27%增加到98%时,被诊断出患有乳腺癌在早期阶段3]。这就是为什么有一个强烈的兴趣为早期检测筛选模式。

乳房x光检查,低剂量x射线乳房的内部结构可视化的过程,是迄今为止最有效的手段对乳腺癌的早期发现4]。乳房x光检查可以检测质量,微小的存款的钙称为微钙化物质,其他可能表明癌症的细微变化。通过筛查性乳房x光检查早期诊断是最有效的手段降低乳腺癌的死亡率。随机试验表明,使用普通人群的筛查性乳房x光检查降低乳腺癌死亡率至少24% (5]。据估计,每年在美国超过2000万乳房x光检查执行和大约70%的妇女在40岁有一个乳房x光检查在过去的两年里6,7]。

乳房x光片是由放射科医生监督和解释。附属专业放射科医生谁是该领域的专家经常有奖学金乳房x光检查和阅读这些研究专门培训。社区放射科医生,读过的大多数乳房x光检查在不同的上下文中一般实践,另一方面,较低的癌症检测率和较高的活组织检查8]。据报道,在美国,只有20%的女性活检会有癌症9]。虽然只有3.5%的x光检查异常解释由社区放射科医生揭示癌症,附属专业放射科医生有一个更高的阳性预测值(PPV) [8]。社区放射科医生也导致了乳腺癌的敏感性较低。而社区放射科医生检测每1000人3.0乳腺癌筛查乳房x光检查,附属专业放射科医生检测更多:约5.3每1000乳房x光检查癌症(10]。而且,美国作为一个整体阈值比其他国家似乎有不同的决定。Smith-Bindman et al。11)报告,虽然癌症检测率是相同的在美国和英国,放射科医生在美国宣布更多的乳房x光检查结果不确定或怀疑与英国同行相比。因此,美国女性有和没有癌症接受至少两倍数量的跟踪测试,如活检。

美国放射学(ACR)一直致力于解决这些问题,试图规范乳房x光检查报告,减少混淆在乳腺成像解释,并促进监测结果。例如,ACR已经开发了一个词典,乳房成像报告和数据系统(BI-RADS),而标准化乳房x光检查功能区分和使用的术语来描述他们(12]。BI-RADS词汇,包括描述符可以预测良性或恶性疾病,旨在指导放射科医生和医生的决策过程,以促进乳腺癌病人的管理。此外,结果可以以标准格式编制,允许收集、维护、和分析人口、乳腺和结果数据。

虽然一般规则识别恶性和良性病变存在,放射科医生无法分类所有病变恶性和良性的,作为成功的诊断需要系统的搜索模式使用众多因素的存在噪声在图像13]。预测变量是众多和互动时,临时决策策略基于经验和记忆,唯一可行的方法,放射科医生,可能导致错误(14和可变性在实践中11,15]。这就是为什么强烈兴趣开发工具,可以计算出一个精确的乳腺癌的概率做出决策(16- - - - - -18]。

改善乳房x光检查的准确性的解释和帮助检测和诊断异常,一些计算机辅助诊断(CAD)和计算机辅助诊断(CADx)工具被开发出来。计算机模型的集成帮助放射科医生增加乳房x光检查检查在诊断的准确性19- - - - - -23)过去二十年以来获得了越来越多的关注。CAD和CADx模型可以帮助放射科医生检测和歧视的良性和恶性的病变提供客观的信息,如患乳腺癌的风险(24]。在本文中,我们概述的一个最常用的模型,人工神经网络(ann),在CAD和CADx乳房x光检查解释和活检决策和讨论重要的功能在乳腺癌的诊断。我们提出本研究中描述的文章的列表在表1。

2。ANN模型在乳腺癌检测和诊断

人工神经网络计算机模型,有能力复制方面的人类智慧而将计算机的处理能力,因此能够同时处理大量的信息通过学习从以前的情况下25]。人工神经网络有许多可取的属性,使其适合医疗决策。人工神经网络能够“学习”复杂模式从人类数据难以识别26]。他们通常也可以克服模糊和缺失的数据27),并提供准确的预测(28,29日]。通用ANN模型的结构为协助建造在乳房x光检查的解释是呈现在图1。ANN模型建立在乳房x光检查协助解释通常拿病人的人口风险因素(如年龄,家族史)和乳腺发现(如质量或钙化变量)作为输入并估计相应的乳腺癌风险帮助活检的决定。

微钙化物质是乳腺癌的主要指标之一。很大一部分,30% -50%的乳腺癌乳房x光检查证明微钙化物质,-80%和60%的癌症表现出微钙化物质在组织学检查30.,31日]。识别微钙化物质,范围在0.1到1毫米大小,是一个困难的检测任务放射科医生(31日,32]。此外,区分恶性和常见良性微钙化物质是具有挑战性的。

有两种不同的方式使用网络帮助乳房x光检查的解释。第一个方法是直接应用分类器感兴趣的区域(ROI)图像数据。第二种方法,人工神经网络可以学习从预处理的图像中提取信号的特性。下面,我们总结的一些值得注意的研究采取了第一种方法。

斯塔福德et al。33)开发了一个三层人工神经网络研究委员会数字图像预处理后乳房x光检查。这些人工神经网络训练和测试256乳房x光检查和最初的ROI图像转换为输出图像,每个像素被分配一个值在0和1之间。委员会由四个人工神经网络,每个与专业知识识别微钙化物质在一定尺寸范围内。特别是,四个人工神经网络是由使用50 - 250的微钙化和样品尺寸范围μ米,100 - 500μ米,200 - 1000μ米,400 - 2000μm,分别。委员会把这四个网络中产量最高(赢家通吃规则)为每个像素的输出。完整的系统测试微钙化物质的大小从50 - 2000μm。该委员会灵敏度达到84%,特异性75%。

Zhang et al。30.)开发了一种新的神经网络来确定是否一个ROI包括一个多pre-underspecified微钙化物质的数量。在此提出的神经网络模型,随后层不依赖于位置模式在前面的层,一个特殊的结构称为移不变的性质。因此,移不变的安(SI-ANN)的结果不依赖于输入ROI图像的位置信息。如果使用安一个经典反向传播(三)相反,然后微钙化簇隐式的位置必须编码作为神经网络的输入。的性能SI-ANN是168 roi评估使用数据库像素和各种网络配置。使用这种方法,最高的ROC曲线下面积()是实现。神经网络能够消除大约55%的假阳性roi而不丢失任何真阳性的roi。此外,SI-ANN显示性能优越的经典三层(34]。

陈等人。35]研究了卷积神经网络(CNN)的有效性在检测微钙化物质在乳房x光检查。CNN在其结构不同于经典的安在隐藏层节点组织的团体。在CNN,同样的连接节点的权重值执行组后续层,使神经网络将每个像素周围的邻居信息在培训过程中乳房x光检查。CNN的输出是一个分数的决定。CNN的性能评估的数据集52乳房x光检查。平均是0.9,明显强劲到不同的网络配置。CNN集群进一步减少假阳性的数量每图像真阳性率超过70%。

第二种方法,而不是直接从图像,学习人工神经网络也可以学习从预处理的图像中提取信号的特性。几个安申请减少假阳性(FP)例钙化灶检测之后这种方法(36- - - - - -39]。在这些研究中,内格尔et al。36安),例如,建立了一个识别微钙化物质提取基于五个特点:区域,相反,第一时刻的功率谱,意味着像素值和边缘梯度。这安训练39乳房x光检查,其输出代表作为一个钙化灶的可能性。feature-wise阈值计算是基于训练数据来减少假阳性的数量,同时保持足够高的真阳性(TP)率。作为比较,基于规则的方法减少FP也建造。平均每个图像的帧数是1.9基于规则的方法,为安,1.6和0.8合并方法的灵敏度83%,当他们评估在一个独立的测试组50个乳房x光检查。

检测后的微钙化物质,放射科医生应该决定是否活组织检查。这个决定的能力依赖于放射科医生准确区分良性和恶性特征。帮助活检决策,几个ANN-based CADx模型基于放射科医生的观察自1990年代以来发展(40- - - - - -43]。

作为替代特征提取基于放射科医生的观察,算法是自动从数字乳房x光检查图像提取特征。这些自动提取功能可以用作饲料CADx模型的输入。陈等人。44)提供了一个全面的总结等方法。江et al。45)首先集成计算机功能分析和歧视。只有最初的微钙化簇是由放射科医生的识别。基于八个形态学特征从图像中提取,安发现100%的恶性和良性病例的82%。的准确性明显高于5放射科医生没有计算机的帮助()。在后续研究中,江et al。46)自动歧视方法相比,常规临床表现十放射科医生使用ROC分析。中华民国指数从0.61增加没有援助与计算机援助(0.75)。这也体现在敏感性(73.5%到87.4%)和特异性(31.6%到41.9%)。在霍等提出的方法。47],大规模区域自动识别,特征与提取的每个质量和密度。结果表明,歧视的表现安(略好于一个有经验的mammographer (并显著优于平均放射科医生(,)。同样,在Kallergi [22),功能被检测/自动提取数字图像分割方法。基于14安形态(个体钙化)和分配(集群)描述符显示实现高灵敏度和特异性(100%和85%),和是健壮的假阳性信号。

除了从乳房x光检查图像提取的形态学特征,纹理特征也被用来喂养人工神经网络在分类恶性和良性微钙化物质,比如在陈的研究等。48]。在这项研究中,13个纹理特征来自空间灰度值依赖(SGLD)矩阵,这是由background-corrected roi。几个代表性的特征子集进行评估的一个逐步的过程。特性集组成的六个特性实现最高精度()。的敏感性为100%,特异性24%决定阈值设置为0.85。这项研究的结果表明,计算机化方法能够捕获恶性纹理特性的变化,没有视觉上明显的乳房x光片。

显然,乳腺功能并不是唯一的考虑因素在乳腺癌的诊断医生。其他相关研究,如病人的病史和临床因素,也可以为成功的诊断信息。贝克et al。41)建立了一个基于10 ANN模型描述符从乳腺影像报告和数据系统(BI-RADS)和八个特性病人的病史,比如年龄、个人和乳腺癌的家族史,和更年期状态。在这项研究中,安的特异性明显比放射科医生(敏感性95%,62%和30%)。后来,罗et al。42)观察到类似的结果,表明,年龄是一个强大的诊断预测的回顾性评价随访研究。考虑年龄和七BI-RADS发现安显著增强的性能测量的歧视()。

除了乳腺功能,一些研究建立ANN模型还考虑超声特性。其中,第一个,Jesneck et al。49]检查803质量乳房病变(507年296名恶性和良性)从737年的病人。性能评估歧视,ROC分析用于培训、验证和测试计划。结果表明,ANN模型实现了高性能(),并考虑超声变量改进了性能。

虽然人工神经网络在乳房x光片诊断取得了成功,但他们往往被视为黑盒,因为他们不提供临床的直觉。为了克服这个限制,Tourassi et al。50)提出了一个创新的安,约束满足神经网络(CSNN),如图2。一个吸引人的财产无能力和灵活的CSNN模型发现趋势和隐藏的关联(例如,识别风险因素)和提取决策规则。作为输入,乳腺和六个病人临床特征500乳房病变(326年174名恶性和良性)从BI-RADS数据库。基于一个50% - -50%交叉验证计划,中华民国指数被证明是与经典的性能相当安(42]。后来,Tourassi et al。51)验证这种方法使用一个更大的测试数据集的额外的1030例。

除了提高诊断准确性,人工神经网络也有助于减少可变性在放射科医生的解释。在文献中,显著的变化在放射科医生的解释已经被报道。例如,最近的一项研究梁等。52]表明,乳房x光检查的灵敏度范围从59%到100%,特异性范围从35%到98%,这取决于阅读放射科医师。减少interobserver可变性,江et al。46),第一次提出了证据能力的ANN模型减少乳房x光检查解释在放射科医生的可变性。在另一项研究中,江et al。53)评估了可变性在放射科医生解释有或没有一个ANN模型。安估计恶性肿瘤的可能性,和十位放射科医生指示如何利用ANN的输出。这项研究的结果证实,人工神经网络不仅有助于提高诊断的准确性,而且减少变异性的乳房x光检查的解释。特别是,他们表明,(1)灵敏度的范围从35%减少到26%,标准差(SD)下降了46%(从0.056到0.030);(2)平均33(32%)例完整协议实现与计算机援助与13例(13%)相比没有援助(),减少冲突的发生从43(41%)例28例(27%)病例();(3)实质性的分歧的建议(活组织检查和常规随访,以成对频率和平均频率(见[15]),大大减少了计算机援助只对所有病例和癌症病例()。

乳房x光检查的结果往往传达积极的还是消极的。在现实中,然而,任何测试的结果是不完美的理想情况下,应该表达的检测后疾病的概率会帮助一个人更好地了解他或她的个人风险测试的敏感性和特异性。回想一下,安的输出通常是一个概率表示相似的测试用例恶性或良性结果。这时,一个预设阈值用于确定测试用例是否恶性或良性。在这方面,人工神经网络可以被视为风险评估模型。然而,大多数安研究文献中只有关注歧视但没有考虑校准。奥尔(54]探索的价值量化使用安恶性肿瘤的风险。标准bp网络与一个隐层被训练和测试数据集的大小1288测试培训(75%和25%)。中华民国指数安的测试集是0.89,这是明显优于单独医生(,)。在训练数据的回顾性研究,作者发现在患者的安输出0,没有癌症,对于那些产出大于0.75,71%的人得了癌症。评估的风险分层能力安(即。,calibration), patient data were divided into four quartiles, four subgroups of almost equal size based on the magnitude of the ANN output, where those in the lowest quartile had minimal risk of malignancy. Results showed that the risks of cancer were well separated among the four subgroups (,,,、职责)。

风险评估由人工神经网络可以提供有用的信息,为医生提供一个成功的诊断、危险分层和风险沟通。如上所述,库克(55),这种模型的综合评价应该包括歧视和校准。歧视能力代表的能力区分恶性肿瘤从良性的结果,以中华民国指数敏感性和特异性。歧视评估研究中常用的是我们看到如上所示)。然而,歧视措施不能评估预测同意实际观察,通过模型校准需要评估。校准的目的是提高风险预测的准确性,估计绝对患癌症的风险。一个精确校准的模型意味着预测风险与观察到的风险在每个子群(56]。但是,与歧视,校准没有收到关注性能评估现有的ANN模型。

歧视和校准之间有一个权衡,完美的校准和歧视无法实现同时在临床实践57- - - - - -59]。多项研究表明,给定一个完全校准的风险评估模型,中华民国指数随人口分布的观察到的风险。

艾耶尔et al。43]重新使用ANN模型的乳腺癌风险评估和评估都歧视和校准。在大数据集组成的连续62219乳房x光检查发现,使用10倍交叉验证获得的风险预测。ANN模型实现了为0.965,显著高于放射科医生,0.939 ()。安的校准由Hosmer-Lemeshow评估(h l)拟合优度统计测试。h l统计为12.46 (,),这表明一个好的匹配之间的风险估计和实际的恶性肿瘤患病率。

在临床实践中,缺失数据是一种常见的问题51]。显然,不完整的输入可能影响预测精度的一个训练有素的安。Markey et al。27]研究了缺失数据的影响在人工神经网络分类测试数据。完整的人工神经网络训练数据和测试数据集上缺少的组件。四层的缺失数据(10%,20%,30%,和40%)进行了测试在一个反向传播安(三层)和CSNN模型。三层,缺失值(1)替换为0,(2)替换为平均值从训练集,和(3)估算通过使用多个归责过程。结果表明,取代缺失的值和零不是非常有效,可能会导致误导的结果。的减少是重要的()甚至只有10%缺失的数据(较完整的数据())。其他两种方法被证明是更准确和有效的。他们的发现表明,与数据归责,模型达到合理的性能大约30%缺失的数据。

不平衡数据提出了另一个挑战安开发、测试,和性能。一个数据集被认为是不平衡的,如果一个类的实例数量显著低于其他的类。在乳腺癌患者乳腺癌的比例显著降低是由于实际的疾病的发病率。Mazurowski et al。60)表明,这种影响可以显著降低安的性能。一般来说,两种方法,采样采样过密,一般用来妥协的数据不平衡。欠采样随机选择大小的多数类样本,这样大多数少数类的类相似。过采样,另一方面,将随机重复或插入从少数类样本来缓解这种不平衡。Mazurowski et al。61年]研究了不平衡数据歧视的影响表现为典型的安。数据库包含1005 biopsy-proven质量(645年370名恶性和良性)收集在杜克大学医学中心是用来比较过采样采样的影响。本研究验证了不利影响类的不平衡在训练数据集和显示,过采样达到更高的ROC性能而欠采样。

3所示。讨论和结论

几项研究已经证实,人工神经网络有可能成功地帮助解释和乳腺癌的诊断乳房x光检查。然而,对于成功的人工神经网络的应用,这两个模型的优缺点应该很好理解,由研究人员和最终用户仔细考虑。人工神经网络的优点和缺点一直先前一些研究在文献中讨论(见,例如,62年,63年])。总而言之,网络的优点包括易于建模,在捕捉预测之间的交互能力,能力考虑之间的复杂的非线性预测和结果(表2)。

除了优点,人工神经网络也有一些缺点。在医疗实践中,从预测模型获得临床见解显然起着重要的作用。像你63年)指出,ann然而遭受有限的能力来显式地解释预测因素与结果之间的因果关系,这可能是最主要的缺点。另一个缺点是,一个训练有素的模型很难与其他研究人员分享。这是因为知识发现的数据编码成一个巨大的权重矩阵,这是很难理解和分享。此外,人工神经网络模型结构的复杂性使它更容易过度拟合,如果网络超量学习和模仿的训练数据集,但当数据集呈现给外部表现很差。艾耶尔et al。25]还指出需要置信区间,这是与统计方法,而不是直接获得从ANN模型。

4所示。未来网络研究乳腺癌的检测和诊断

越来越多的兴趣在发展中成功的ANN模型用于乳腺癌的检测和诊断,由于高计算能力和实际使用网络。然而,许多研究文献中分享一些共同的局限性,使他们的应用程序限制。如上所述,泽et al。64年),最常见的局限性主要包括(1)缺乏一个全面的评估准确性的歧视,(2)过度拟合,和(3)的复杂性问题。首先,大多数研究在文献中没有评估的性能训练人工神经网络使用一个独立的测试组。如果测试模型在一个独立的数据集是不可行的由于数据限制或其他问题,至少应该做交叉验证来最小化潜在的偏见。然而,许多研究缺乏这样的评估结果,在大多数情况下,错误率被大大低估了。第二,大多数研究没有关注过度拟合。神经网络的普遍性本质上取决于隐藏的隐藏单元中的节点的数量。太少的时候,网络是代表因果关系的能力有限。另一方面,过度的时候,网络是容易过度拟合。许多研究在文献中报道的使用非常大的隐藏节点的数量与训练数据的大小,但没有评估是否发生过度拟合。最后,在很多研究中,安的计算复杂度不正确报道。一些测量的复杂性只使用输入的数量单位,会低估了计算复杂度。 Properly reporting the complexity of an ANN model is important because the computational power as well as many potential problems such as overfitting are closely related to the complexity of the model. The future studies in this domain should carefully consider and overcome these limitations for successful applications of ANNs in mammography interpretation.

承认

作者承认国家健康研究所的奖项R01LM010921和R01CA165229。

引用

1. f·伯班克,s·h·帕克,r . j .杰克曼et al .,“经皮大批核心乳房活检:多机构研究”放射学,卷193,不。2、359 - 364年,1994页。视图:谷歌学术搜索
2. l . m . Wun r . m .美林和e . j .封地,“估计生存期和age-conditional患癌症的可能性,”寿命数据分析,4卷,不。2、169 - 186年,1998页。视图:谷歌学术搜索
3. 美国癌症协会,乳腺癌的事实和数字2011 - 2012美国,美国癌症协会,亚特兰大,乔治亚州,2011年。
4. h·c·扎克曼”的角色在乳腺癌的诊断乳房x光检查,”乳房癌症诊断和治疗,第172 - 152页,1987年。视图:谷歌学术搜索
5. r·a·史密斯,d . Saslow k·a·索耶et al .,”美国癌症协会乳腺癌筛查指南:更新2003年”CA:临床医生的癌症杂志》上,53卷,不。3、141 - 169年,2003页。视图:谷歌学术搜索
6. 国家健康统计中心的健康(卫生),美国,2005年Chartbook在健康的美国人Hyattsville趋势,国家健康统计中心的健康,Hyattsville,医学博士,美国,2005年。
7. Census.gov基本计数/人口,2005年,http://factfinder.census.gov/servlet/ACSSAFFPeople?_submenuId=people_0&_sse=on。
8. m·l·布朗,f . Houn e·a·镰刀和l·g·凯斯勒”筛查性乳房x光检查在社区实践:阳性预测值后续诊断程序的异常的发现和产量,”美国放射学杂志》上,卷165,不。6,1373 - 1377年,1995页。视图:谷歌学术搜索
9. 2006年Breastcancer.org,活检,http://www.breastcancer.org/testing_biopsy.html。
10. e·a·镰刀、d . e . Wolverton和k·e·迪”筛查和诊断乳房x光检查的性能参数:专家和一般的放射科医生,”放射学,卷224,不。3、861 - 869年,2002页。视图:谷歌学术搜索
11. r . Smith-Bindman p·w·楚,d . l . Miglioretti et al .,”筛查性乳房x光检查的比较在美国和英国,”《美国医学协会杂志》上,卷290,不。16,2129 - 2137年,2003页。视图:出版商的网站|谷歌学术搜索
12. 美国大学的放射学,乳腺影像报告和数据系统(BIRADS),美国放射学院,莱斯顿,弗吉尼亚州,美国第四版,2003年版。
13. m . l .生姜“计算机辅助诊断放射学。”放射学学术,9卷,不。1、1 - 3,2002页。视图:出版商的网站|谷歌学术搜索
14. d·卡尼曼、p . Slovic和a·特沃斯基不确定性条件下的判断:启发式和偏差英国剑桥,剑桥大学出版社,2001年。
15. c·k·j·g·埃尔默井,c·h·李·d·h·霍华德和a·r·范斯坦”可变性在放射科医生的解释乳房x光检查。”《新英格兰医学杂志》上,卷331,不。22日,第1499 - 1493页,1994年。视图:出版商的网站|谷歌学术搜索
16. e . c . y . Chan“促进道德的未经证实的筛查方法,成像测试,”美国放射学杂志》上,卷2,不。4、311 - 320年,2005页。视图:出版商的网站|谷歌学术搜索
17. b·j·希尔曼,“通知和共享决策:另一种未经证实的筛选试验的争论,”美国放射学杂志》上,卷2,不。4、297 - 298年,2005页。视图:出版商的网站|谷歌学术搜索
18. e . Picano“知情同意放射性和核医学检查的风险和沟通:如何逃离沟通地狱,”《英国医学杂志》,卷329,不。7470年,第851 - 849页,2004年。视图:谷歌学术搜索
19. l . Hadjiiski领域,m·a·Helvie et al .,“与串行乳房x光检查乳房肿块:计算机辅助诊断,”放射学,卷240,不。2、343 - 356年,2006页。视图:出版商的网站|谷歌学术搜索
20. 领域,惠普Chan m·a·Helvie et al .,“提高放射科医生使用计算机辅助诊断乳腺肿块的特征:一个民国研究,“放射学,卷212,不。3、817 - 827年,1999页。视图:谷歌学术搜索
21. z霍,m . l .生姜c . j . Vyborny和c·e·梅茨“乳腺癌:计算机辅助diagnosis-observer的有效性研究与独立数据库的乳房x光检查,”放射学,卷224,不。2、560 - 568年,2002页。视图:谷歌学术搜索
22. m . Kallergi“计算机辅助诊断乳腺微钙化簇”,医学物理学没有,卷。31日。2、314 - 326年,2004页。视图:出版商的网站|谷歌学术搜索
23. y江,c·e·梅斯·r·m·Nishikawa和r·a·施密特”比较独立的双重阅读和计算机辅助诊断(CAD)的诊断乳腺钙化,”放射学学术,13卷,不。1,第94 - 84页,2006。视图:谷歌学术搜索
24. m .生姜、z .霍和m . Kupinski“计算机辅助诊断在乳房x光检查,”手册的医学成像,卷2,页917 - 986,有华盛顿特区美国,2000年。视图:谷歌学术搜索
25. t·艾耶尔j . Chhatwal o . Alagoz c·e·卡恩r·w·伍兹和e·s·伯恩赛德,“比较逻辑回归和人工神经网络模型在乳腺癌风险估计,“射线照相,30卷,不。1,13-22,2010页。视图:出版商的网站|谷歌学术搜索
26. j . e . Dayhoff和j . m . DeLeo”人工神经网络:打开黑盒”,癌症,卷91,不。8日,补充,1615 - 1635年,2001页。视图:谷歌学术搜索
27. m·k·马基Tourassi g·d·m·马戈利斯,和d . m .德龙”缺失数据的影响评价人工神经网络训练的完整的数据,”计算机在生物学和医学,36卷,不。5,516 - 525年,2006页。视图:出版商的网站|谷歌学术搜索
28. j·劳伦斯,介绍神经网络加州科学软件,加州内华达市,美国,1993年。
29. a . j .麻仁、c t . Harston和r . m .巴氏神经计算应用手册由a . j .编辑麻仁,c . t . Harston r . m .巴氏学术出版社,圣地亚哥,加利福尼亚州,美国,1990年。
30. w·张,k . Doi m . l .生姜,y, r . m . Nishikawa r·a·施密特,“电脑检测集群微钙化物质使用移不变的人工神经网络在数字乳房x光检查,”医学物理学,21卷,不。4、517 - 524年,1994页。视图:出版商的网站|谷歌学术搜索
31. m·p·Sampat m·k·马基和a·c·Bovik“计算机辅助检测和诊断在乳房x光检查,”图像和视频处理的手册,2卷,第1217 - 1195页,2005年。视图:谷歌学术搜索
32. k . Kerlikowske p·a·卡尼b·盖勒et al .,“妇女筛查性乳房x光检查的性能和没有一级亲属患乳腺癌,”内科医学年鉴,卷133,不。11日,第863 - 855页,2000年。视图:谷歌学术搜索
33. r·g·斯塔福德郡,j . Beutel d . j . Mickewich和s . l .阿尔伯斯”的应用神经网络计算机辅助病理检测在乳房x光检查,”医学成像1993:医学影像物理学卷,1896学报学报1993年2月,页341 - 352。视图:出版商的网站|谷歌学术搜索
34. y, k . Doi m . l .生姜和r . m . Nishikawa”计算机集群微钙化物质的检测数字乳房x光检查:人工神经网络的应用程序,“医学物理学,19卷,不。3、555 - 560年,1992页。视图:出版商的网站|谷歌学术搜索
35. 惠普Chan s . c . b . Lo领域,k . l . Lam和m . a . Helvie“计算机辅助检测乳腺微钙化物质:人工神经网络模式识别,”医学物理学,22卷,不。10日,1555 - 1567年,1995页。视图:出版商的网站|谷歌学术搜索
36. r·h·内格尔r . m . Nishikawa j . Papaioannou, k . Doi”分析方法,减少假阳性的自动检测集群在乳房x光成像微钙化物质,”医学物理学,25卷,不。8,1502 - 1506年,1998页。视图:出版商的网站|谷歌学术搜索
37. a·帕帕多普洛斯d i Fotiadis, a . lika”自动钙化灶检测系统基于混合神经网络分类器,”人工智能在医学上,25卷,不。2、149 - 167年,2002页。视图:出版商的网站|谷歌学术搜索
38. g . Rezai-Rad和美国Jamarani检测数字乳房x光成像中微钙化簇使用小波和神经网络的结合,”国际会议的程序在计算机图形学中,成像和愿景:新趋势2005年7月,页197 - 201。视图:出版商的网站|谷歌学术搜索
39. l . Zhang w .钱,r . Sankar d的歌,和r·克拉克,“一个新的减少假阳性的监控化学品检测方法在数字乳房x光检查,”《IEEE Interntional音响、会议演讲,和信号处理,卷2,页1033 - 1036,犹他州,盐湖城美国,2001年5月。视图:出版商的网站|谷歌学术搜索
40. 吴y、m . l .生姜k . Doi c . j . Vyborny r·a·施密特和c·e·梅茨“人工神经网络在乳房x光检查:应用程序在乳腺癌的诊断决策,”放射学,卷187,不。1,第87 - 81页,1993。视图:谷歌学术搜索
41. j·贝克,p . j . Kornguth m . e . Williford j.y. Lo和c·e·弗洛伊德“乳腺癌:用人工神经网络预测基于BI-RADS标准化的词汇,“放射学,卷196,不。3、817 - 822年,1995页。视图:谷歌学术搜索
42. j . y . Lo, j·贝克,p . j . Kornguth和c·e·弗洛伊德“病人历史数据对预测的影响乳腺癌的乳腺发现与人工神经网络,”放射学学术》第六卷,没有。1,10 - 15,1999页。视图:出版商的网站|谷歌学术搜索
43. t·艾耶尔o . Alagoz j . Chhatwal j . w . Shavlik c·e·卡恩和e·s·伯恩赛德,“乳腺癌风险评估与人工神经网络的再现:歧视和校准,”癌症,卷116,不。14日,第3321 - 3310页,2010年。视图:出版商的网站|谷歌学术搜索
44. 领域,惠普Chan k . l . Lam et al .,“计算机分析乳腺微钙化物质形态和纹理特征空间,”医学物理学,25卷,不。10日,2007 - 2019年,1998页。视图:出版商的网站|谷歌学术搜索
45. 江,r m . Nishikawa d . e . Wolverton et al .,“恶性和良性集群微钙化物质:自动化特性分析和分类,“放射学,卷198,不。3、671 - 678年,1996页。视图:谷歌学术搜索
46. 江,r m . Nishikawa r·a·施密特c·e·梅斯m . l .生姜和k . Doi“提高乳腺癌诊断和计算机辅助诊断,”放射学学术》第六卷,没有。1,22-33,1999页。视图:出版商的网站|谷歌学术搜索
47. z霍,m . l .生姜c . j . Vyborny d e . Wolverton r·a·施密特和k . Doi”自动化计算机分类的恶性和良性质量数字化乳房x光检查,”放射学学术,5卷,不。3、155 - 168年,1998页。视图:出版商的网站|谷歌学术搜索
48. 惠普Chan b领域:帕特里克et al .,“电脑在乳房x光检查恶性和良性微钙化物质分类:纹理分析使用人工神经网络,”物理学在医学和生物学,42卷,不。3、549 - 567年,1997页。视图:出版商的网站|谷歌学术搜索
49. j·l·Jesneck j.y. Lo和j·贝克,“乳房质量病变:计算机辅助诊断模型和乳腺超声描述符,“放射学,卷244,不。2、390 - 398年,2007页。视图:出版商的网站|谷歌学术搜索
50. Tourassi g·d·m·k·马基j . y . Lo和c·e·弗洛伊德“乳腺癌诊断的神经网络方法作为一个约束满足问题,“医学物理学,28卷,不。5,804 - 811年,2001页。视图:出版商的网站|谷歌学术搜索
51. Tourassi gdp、j . y . Lo和m·k·马基”的验证约束满意度对乳腺癌的诊断神经网络:从1030例新结果,”医学成像2003:图像处理卷,5032学报学报2003年2月,页207 - 214。视图:出版商的网站|谷歌学术搜索
52. c·a·梁、e . f .柯南特和e·a·镰刀”协会的体积无关因素筛查性乳房x光检查的解释精度,”美国国家癌症研究所杂志》上,卷95,不。4、282 - 290年,2003页。视图:谷歌学术搜索
53. 江y, r . m . Nishikawa r·a·施密特a . y .托莱达诺,k . Doi:“计算机辅助诊断的潜力减少可变性在放射科医生的解释乳房x线照片描绘微钙化物质,”放射学,卷220,不。3、787 - 794年,2001页。视图:谷歌学术搜索
54. r·k·奥尔”,使用人工神经网络为异常乳房x光检查量化恶性肿瘤的风险,”手术,卷129,不。4、459 - 466年,2001页。视图:出版商的网站|谷歌学术搜索
55. n r·库克“使用和滥用风险接受者操作特征曲线的预测,”循环,卷115,不。7,928 - 935年,2007页。视图:出版商的网站|谷歌学术搜索
56. n r·库克“统计评估预后和诊断模型:ROC曲线之外,“临床化学,54卷,不。1,17-23,2008页。视图:出版商的网站|谷歌学术搜索
57. g . a .钻石,“什么价格完美?临床预测模型校准和歧视。”临床流行病学杂志,45卷,不。1,第89 - 85页,1992。视图:出版商的网站|谷歌学术搜索
58. m·h·盖尔和r·m·菲佛”绝对风险的评估模型的标准。”生物统计学》第六卷,没有。2、227 - 239年,2005页。视图:出版商的网站|谷歌学术搜索
59. p·w·f·威尔逊,r . b . D \ ' agostino博士D . Levy a . m . Belanger h . Silbershatz和w·b·有“预测冠心病的风险因素分类,“循环,卷97,不。18日,第1847 - 1837页,1998年。视图:谷歌学术搜索
60. m·a·Mazurowski p .答:傻瓜,j . m . Zurada Tourassi gdp,“低类患病率的影响基于神经网络的分类器的性能评估:实验研究的计算机辅助医学诊断,”《国际联合会议上神经网络(IJCNN ' 07),页2005 - 2009,奥兰多,佛罗里达州,美国,2007年8月。视图:出版商的网站|谷歌学术搜索
61. m·a·Mazurowski p .答:傻瓜,j . m . Zurada j.y. Lo j·贝克,Tourassi gdp,“训练神经网络分类器对医疗决策:不平衡数据集对分类性能的影响,“神经网络,21卷,不。2 - 3、427 - 436年,2008页。视图:出版商的网站|谷歌学术搜索
62. 美国Dreiseitl和l . Ohno-Machado”逻辑回归和人工神经网络分类模型:一个方法审查,”生物医学信息学杂志,35卷,不。5 - 6,352 - 359年,2002页。视图:出版商的网站|谷歌学术搜索
63. j .诉你”,使用人工神经网络的优缺点和逻辑回归预测医学成果,”临床流行病学杂志卷,49号11日,第1231 - 1225页,1996年。视图:出版商的网站|谷歌学术搜索
64. g·泽w . Vach, m·舒马赫”的误用,人工神经网络在肿瘤预后和诊断分类,“医学统计,19卷,不。4、541 - 561年,2000页。视图:出版商的网站|谷歌学术搜索

版权

版权©2013 Turgay艾耶尔等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。