Jakość medycznych danych obrazowych a zautomatyzowana diagnostyka nowotworów

• Autorzy: Żołek Norbert

Identyfikatory

DOI

10.24423/9788365550590.ch6

Warianty tytułu

EN

Quality of medical imaging data versus automated cancer diagnostics

• Języki publikacji: PL

Abstrakty

PL

W pracy zostało przedstawione podsumowanie analiz przydatności publicznych danych obrazowych zawierających ultradźwiękowe obrazy nowotworów piersi do automatyzacji diagnostyki.

EN

A summary of analyses of the usefulness of public imaging data containing ultrasound images of breast cancer for diagnostic automatization is presented in this chapter.

Słowa kluczowe

PL

obrazowanie ultradźwiękowe; dokładność danych; uczenie maszynowe; wiarygodność badań

EN

ultrasound imaging; data accuracy; machine learning; research integrity

• Wydawca: Instytut Podstawowych Problemów Techniki PAN
• Czasopismo: IPPT Reports on Fundamental Technological Research
• Rocznik: 2024
• Tom: nr 2
• Strony: 89--95
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Żołek Norbert

• Instytut Podstawowych Problemów Techniki Polskiej Akademii Nauk, Warszawa

• https://orcid.org/0000-0002-2416-7783

Bibliografia

• 1. World Health Organization, https://www.who.int/news-room/fact-sheets/detail/ cancer, 2023, dostęp 14.10.2024.
• 2. Esaote, Breast Cancer Imaging, https://www2.esaote.com/ultrasound/clinical-solu tions/breast-ultrasound-imaging/, dostęp 14.10.2024.
• 3. R.K. Merton, The normative structure of science. The Sociology of Science Theoretical and Empirical Investigations, The University of Chicago Press, 1973.
• 4. A. Pawłowska et al., Curated benchmark dataset for ultrasound based breast lesion analysis, Scientific Data, 11, 1, 148, 2024, doi: https://doi.org/10.1038/s41597-024-02984-z.
• 5. A. Pawłowska, P. Karwat, N. Żołek, Letter to the Editor. Re: “[Dataset of breast ultrasound images by W. Al-Dhabyani, M. Gomaa, H. Khaled & A. Fahmy, Data in Brief, 2020, 28, 104863]”, Data in Brief, 48, 109247, 2023, doi: https://doi.org/10.1016/j.dib.2023.109247.
• 6. M. Kuhn, K. Johnson, Feature Engineering and Selection: A Practical Approach for Predictive Models, Chapman and Hall/CRC, 2019.
• 7. N. Żołek, A. Pawłowska, Comment on: “CAM-QUS guided self-tuning modular CNNs with multi-loss functions for fully automated breast lesion classification in ultrasound images by J. Tasnim and M.K. Hasan, Physics in Medicine & Biology, 69, 015018, 2024”, Physics in Medicine & Biology, w druku.
• 8. M. Gunawardhana, A. Yermakova, N. Żołek, Influence of size markers in ultrasound images on breast lesion classification, w: IEEE International Symposium on Biomedical Imaging, ISBI 2024, Athens, 2024.
• 9. F.G. Waldamichael, A. Yermakova, N. Zołek, On influence of size markers in ultrasound images on breast lesion segmentation accuracy, w: Artificial Intelligence in Medicine, AIME 2024, Salt Lake City, 2024.
• 10. D.B. Resnik, A.E. Shamoo, The Singapore Statement on Research Integrity, Accountability in Research, 18, 2, 71–75, 2011, doi: https://doi.org/10.1080/08989621.2011.557296.
• 11. M.S. Thiese, Z.C. Arnold, S.D. Walker, The misuse and abuse of statistics in biomedical research, Biochemia Medica (Zagreb), 25, 1, 5–11, 2015, doi: https://doi.org/10.11613/BM.2015.001.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki (2025).