Scidown文献预览系统！
深度学习和基于分割的放射学方法在DCE-MRI上鉴别乳腺良恶性病变的性能比较( Performance comparison of deep learning and segmentation-based radiomic methods in the task of distinguishing benign and malignant breast lesions on DCE-MRI )
N Antropova B Huynh M Giger
根据动态对比增强磁共振图像（DCE-MRIs）的病灶分割计算出的CADX/Radiomic特征，已被用于鉴别良恶性病变的任务。此外，利用预先训练的深度卷积神经网络(CNNs)的转移学习允许放射学提取的替代方法，其中特征直接从图像数据导出。然而，计算机提取的基于分割的特征和CNN的特征在MRI乳腺病变定性中的比较还没有进行。在我们的研究中，我们使用了640例乳腺病例的DCE-MRI数据库--191例良性，449例恶性。利用我们的定量放射学工作站自动提取了38个基于分割的特征。此外，在DCE-MRIs上选择每个病灶周围的2D ROI并直接输入预先训练的CNN AlexNet，产生CNN特征。每种方法分别或结合在鉴别良恶性病变任务中的表现进行研究。ROC曲线下面积(AUC)作为优值。这两种方法的分类性能都很好，循环交叉验证的AUC值分别为0.88(se=0.01)和0.76(se=0.02)。两种方法的联合应用提高了恶性肿瘤评估的AUC值为0.91(SE=0.01),与单纯CNN方法相比有统计学意义。
SciDown文献求助系统（解决99%问题） Public Download ResearchGate SPIE SPIE adsabs.harvard.edu
『Sci-Hub|Scidown』怎么用？来看看教程吧！

支持模式 1.支持DOI号 2.支持英文文献全名搜索 3.支持参考文献搜索 4.知网文献（暂时关闭）

安卓手机、电脑用户，您可以在QQ浏览器里输入 www.scidown.cn 打开scidown解析，就可以解析、下载了！（注意是文献的DOI号）

苹果手机用户，您需要先在App Store里搜索并下载 Documents by Readdle 这个APP，在APP首页，左划右下角的指南针图标打开APP内置浏览器，在浏览器里输入 www.scidown.cn 打开scidown解析，就可以解析、下载了！

如出现BUG？赶快加入【Scidown互助交流群】反馈吧：729083885【点击一键加群】
『Sci-Hub|Scidown』相关参考文献
scidown 隔离对心理的影响及如何减少:快速回顾证据下载
scidown 协同盐度-温度梯度同时产生太阳能蒸汽和电力下载
scidown 协同盐度-温度梯度同时产生太阳能蒸汽和电力下载