EfficientNet-B5 Based Breast Tumor Classification from CWT Morlet Scalogram Images of Microwave S-Parameters
Dieses Papier schlägt eine energiegeführte Signal-Augmentierungsmethode vor, um den Datenmangel in der Mikrowellen-Brustbildgebung zu überwinden, wobei eine Genauigkeit von 94,7 % bei der Klassifizierung von benignen und malignen Tumoren erreicht wird, indem augmentierte S-Parameter-Antworten in CWT-Morlet-Skalogramme umgewandelt und ein EfficientNet-B5-Klassifikator feinabgestimmt werden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Brustkrebs bleibt eine der bedeutendsten gesundheitlichen Herausforderungen für Frauen weltweit, und eine frühzeitige Entdeckung ist oft der Unterschied zwischen Leben und Tod. Seit Jahrzehnten verlassen sich Ärzte auf Werkzeuge wie Mammographien, die Röntgenstrahlen nutzen, oder Ultraschall, der Schallwellen verwendet, um in die Brust zu blicken. Obwohl diese Methoden effektiv sind, bringen sie Nachteile mit sich: Röntgenstrahlen beinhalten Strahlung und können unangenehm sein, da die Brust flach gedrückt werden muss, während die Ergebnisse eines Ultraschalls je nach Geschicklichkeit des Technikers variieren können. In den letzten Jahren hat die Wissenschaft ihre Aufmerksamkeit auf eine andere Art von Welle gelenkt: Mikrowellen. Im Gegensatz zu Röntgenstrahlen sind Mikrowellen eine Form von nicht-ionisierender Strahlung, was bedeutet, dass sie nicht das gleiche Risiko bergen, die DNA zu schädigen, und sie erfordern kein Zusammendrücken der Brust. Diese Technik funktioniert deshalb, weil sich Krebsgewebe anders verhält als gesundes Gewebe, wenn es von diesen Wellen getroffen wird; der Tumor absorbiert und reflektiert die Energie auf eine einzigartige Weise. Die Vermittlung eines Computers, diese subtilen Unterschiede zu erkennen, war jedoch schwierig, da es nur sehr wenige reale Beispiele von Mikrowellensignalen von Brusttumoren gibt, aus denen er lernen kann.
Ein Forschungsteam am National Institute of Technology Silchar in Indien hat einen neuen Weg entwickelt, um dieses Datenproblem zu lösen, der es ermöglicht, leistungsstarke Computerprogramme zu trainieren, um zwischen harmlosen und gefährlichen Brusttumoren mithilfe von Mikrowellensignalen zu unterscheiden. Anstatt zu versuchen, mehr Patienten zu finden oder teurere Geräte zu bauen, entwickelten die Forscher eine Methode, um die vorhandenen Daten intelligent zu vervielfältigen. Sie begannen damit, zu messen, wie Mikrowellensignale von einem Modell einer menschlichen Brust, einem sogenannten Phantom, abprallten und hindurchgingen, welches so konzipiert war, dass es die elektrischen Eigenschaften von echtem Gewebe nachahmt. Dieses Modell enthielt sowohl gesundes Gewebe als auch simulierte Tumore, einige gutartige und einige bösartige. Mit einem Paar kleiner Antennen zeichneten sie die Signale auf, während sie sich um das Modell bewegten, und erfassten so tausende von Datenpunkten, die den einzigartigen „Fingerabdruck“ der inneren Struktur der Brust darstellten.
Die Herausforderung bestand darin, dass diese Rohsignale zu wenige waren, um ein anspruchsvolles Computersystem effektiv zu lehren. Wenn die Forscher die Daten einfach kopiert oder zufällige Änderungen daran vorgenommen hätten, hätte der Computer falsche Muster gelernt oder die subtilen Hinweise, die auf einen Tumor deuten, übersehen. Um dies zu beheben, entwarf das Team eine Strategie, die auf der Energie innerhalb der Signale basierte. Sie erkannten, dass nicht jeder Teil eines Signals gleichermaßen wichtig war; einige Abschnitte enthielten die stärksten Informationen über den Tumor, während andere nur Hintergrundrauschen waren. Sie zerlegten die Signale in Stücke basierend darauf, wie viel Energie jeder Teil enthielt, anstatt sie einfach in gleich große Zeitschnitte zu schneiden. Dann nähten sie die informativsten Teile aus verschiedenen Signalen desselben Typs sorgfältig zusammen – indem sie gutartige Teile mit anderen gutartigen Teilen und bösartige mit bösartigen mischten. Um sicherzustellen, dass die neuen Signale nicht störend oder künstlich klangen, glätteten sie die Verbindungen zwischen den Stücken. Dieser Prozess erzeugte tausende neue, realistische Trainingsbeispiele aus einem kleinen ursprünglichen Datensatz und lehrte den Computer so effektiv, worauf er zu achten hat, ohne gefälschte Daten zu erfinden.
Sob sie diese erweiterte Bibliothek von Signalen besaßen, wandelten die Forscher sie in Bilder um, die ein Computer leicht verstehen konnte. Sie transformierten die Rohwellendaten in visuelle Karten, sogenannte Skalogramme, die zeigen, wie sich die Frequenz und Stärke eines Signals über die Zeit ändern, ähnlich wie eine Partitur zeigt, wie sich Noten über die Zeit verändern. Diese Bilder wurden dann in ein Deep-Learning-Modell eingespeist, eine Art künstliche Intelligenz, die darauf spezialisiert ist, Muster in Bildern zu erkennen. Die Forscher testeten mehrere verschiedene Modelle, fanden aber heraus, dass eine spezifische Architektur, bekannt als EfficientNet-B5, am besten abschnitt. Dieses Modell war in der Lage, die komplexen visuellen Muster in den Mikrowellenbildern zu erlernen, die ein gutartiges Wachstum von einem bösartigen unterschieden.
Die Ergebnisse dieses Ansatzes waren beeindruckend. Bei Tests mit Daten, die das System zuvor noch nie gesehen hatte, identifizierte das System die Art des Tumors in fast 9as Prozent der Fälle korrekt. Diese Genauigkeit war höher als die anderer populärer Computermodelle, die in derselben Studie getestet wurden, und sie übertraf mehrere aktuelle Studien, die andere bildgebende Verfahren wie Ultraschall oder Wärmebildkameras verwendeten. Die Forscher überprüften auch, wie stabil ihr System war, indem sie es mehrmals mit unterschiedlichen Aufteilungen der Daten testeten, und die Ergebnisse blieben konsistent hoch, mit sehr geringer Variation. Sie fanden heraus, dass der Computer besser darin wurde, die richtige Entscheidung zu treffen, je mehr sie ihre energiebasierte Methode zur Erweiterung der Daten nutzten, bis zu einem gewissen Punkt, an dem das Hinzufügen weiterer Daten einen abnehmenden Grenznutzen bot.
Diese Arbeit legt nahe, dass die Mikrowellenbildgebung, gepaart mit klugen Datentechniken, eine praktikable, komfortable und sichere Alternative für das Brustkrebs-Screening werden könnte. Die Methode erfordert keine Exposition des Patienten gegenüber Strahlung und unterzieht ihn keiner physischen Kompression, was sie zu einer potenziell patientenfreundlicheren Option macht. Obwohl die Studie anhand eines Modells einer Brust und nicht an echten Patienten durchgeführt wurde, bietet die hohe Genauigkeit, die in diesen kontrollierten Experimenten erreicht wurde, eine starke Grundlage für die zukünftige Entwicklung. Die Forscher haben demonstriert, dass es durch das Verständnis der Physik der Signale und die Nutzung dieses Wissens zur Generierung besserer Trainingsdaten möglich ist, die Einschränkungen kleiner Datensätze zu überwinden und zuverlässige Werkzeuge für die Früherkennung von Krebs aufzubauen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.