Masked complex non-decimated wavelet features for patient-level classification of contrast-enhanced mammography
掩码复数非抽样小波特征用于对比增强乳腺摄影的患者级分类AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于医学影像分类与统计学习方法应用，未涉及所提供领域细分中的因果推断、面板、时间序列、资产定价等计量方向，故不选择任何细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
掩码复数非抽样小波特征用于对比增强乳腺摄影的患者级分类
- 研究问题
- 摘要关注两个问题：对比增强光谱乳腺摄影的低能图与重组对比图是否携带可比的恶性信号，以及同一患者的多张图像应如何合并为单一患者级判断；同时指出图像级交叉验证划分会造成患者信息泄漏。
- 方法与思路
- 作者提出将掩码复数非抽样小波特征库与弹性网逻辑回归分类器结合，在CDD-CESM数据集上采用重复的患者分组嵌套交叉验证，并用患者聚类自助法做推断，以避免同一患者图像同时进入训练与测试集。
- 材料陈述的贡献
- 摘要称在无泄漏评估下，此前因测试已见患者带来的性能膨胀可忽略；正常与恶性检测中两种采集在患者级AUC上统计不可区分；单图融合时对比图患者级AUC为0.874（95% CI 0.827-0.918），低能图与之统计不可区分，但两者通过不相交且可解释的通道编码恶性信息。
- 阅读关注点
- 应核对患者分组嵌套交叉验证与自助推断的具体实现、掩码复数非抽样小波特征的定义与维度、弹性网调参方式、AUC置信区间构造，以及“与预训练ResNet-50表示相当”这一比较的协议是否公平。
- 阅读边界
- 这是arXiv预印本，未经同行评审或期刊接收验证；摘要未说明数据集来源细节、样本选择、缺失处理、外部验证、代码与超参数，也未给出统计检验的具体形式，因此不能据此判断方法的普遍优越性或临床可用性。
原文摘要
Contrast-enhanced spectral mammography (CESM) acquires two images of each breast, a low-energy image and a recombined contrast image, but two questions central to building a classifier on them remain unsettled: whether the two image types carry comparable malignancy signal, and how a patient's several images should be combined into a single decision. Both are hard to answer reliably, because most published CESM classifiers split cross-validation folds at the image level, letting images of the same patient fall in both training and test sets and inflating reported performance. We pair a masked complex non-decimated wavelet feature bank with an elastic-net logistic classifier, evaluated under repeated patient-grouped nested cross-validation with patient-cluster bootstrap inference on the CDD-CESM dataset (1,880 images, 308 patients); under this leakage-free evaluation the inflation from testing on previously seen patients is negligible. On normal-versus-malignant detection, the two acquisitions are statistically indistinguishable in patient-level AUC under the proposed evaluation framework. Under single-image fusion the contrast image reaches a patient-level AUC of 0.874 (95% CI 0.827-0.918) and the low-energy image is statistically indistinguishable from it, yet the two encode malignancy through disjoint, interpretable channels: phase coherence on the low-energy image and magnitude distribution on the contrast image. The framework matches a pretrained ResNet-50 representation at the patient level, but whereas the frozen deep representation is not directly interpretable at the level of individual predictors, every predictor in the wavelet representation carries an explicit physical meaning. The result is a transparent, leakage-free baseline against which future CESM classifiers can be measured.