⚡ electrical engineering

EfficientNet-B5 Based Breast Tumor Classification from CWT Morlet Scalogram Images of Microwave S-Parameters

Este artículo propone un método de aumento a nivel de señal guiado por energía para superar la escasez de datos en la imagenología mamaria de microondas, logrando una precisión del 94,7 % en la clasificación de tumores benignos y malignos mediante la conversión de las respuestas de parámetros S aumentadas en escalogramas de Morlet de CWT y el ajuste fino de un clasificador EfficientNet-B5.

Autores originales: Avik Majumder, Edison Kho, Banani Basu, Arnab Nandi

Publicado 2026-08-25

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Avik Majumder, Edison Kho, Banani Basu, Arnab Nandi

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El cáncer de mama sigue siendo uno de los desafíos de salud más significativos para las mujeres en todo el mundo, y detectarlo a tiempo suele ser la diferencia entre la vida y la muerte. Durante décadas, los médicos han dependido de herramientas como las mamografías, que utilizan rayos X, o la ecografía, que utiliza ondas sonoras, para observar el interior del pecho. Si bien estos métodos son efectivos, conllevan desventajas: los rayos X implican radiación y pueden ser incómodos porque el pecho debe comprimirse, mientras que los resultados de la ecografía pueden variar según la habilidad del técnico. En años recientes, los científicos han centrado su atención en un tipo diferente de onda: las microondas. A diferencia de los rayos X, las microondas son una forma de radiación no ionizante, lo que significa que no conllevan los mismos riesgos de dañar el ADN, y no requieren comprimir el pecho. Esta técnica funciona porque el tejido canceroso se comporta de manera diferente al tejido sano cuando es impactado por estas ondas; el tumor absorbe y refleja la energía de una manera única. Sin embargo, enseñar a una computadora a reconocer estas sutiles diferencias ha sido difícil debido a que existen muy pocos ejemplos del mundo real de señales de microondas provenientes de tumores de mama para aprender de ellos.

Un equipo de investigadores del Instituto Nacional de Tecnología de Silchar en la India ha desarrollado una nueva forma de resolver esta escasez de datos, permitiendo entrenar programas informáticos potentes para distinguir entre tumores de mama inofensivos y peligrosos utilizando señales de microondas. En lugar de intentar encontrar más pacientes o construir equipos más costosos, los investigadores crearon un método para multiplicar inteligentemente los datos existentes que tenían. Comenzaron midiendo cómo las señales de microondas rebotaban y pasaban a través de un modelo de un seno humano, conocido como un fantoma, el cual fue diseñado para imitar las propiedades eléctricas del tejido real. Este modelo incluía tanto tejido sano como tumores simulados, algunos benignos y otros malignos. Utilizando un par de pequeñas antenas, registraron las señales a medida que se movían alrededor del modelo, capturando miles de puntos de datos que representaban la "huella digital" única de la estructura interna del pecho.

El desafío era que estas señales puras eran demasiado pocas para enseñar eficazmente a un sistema informático sofisticado. Si los investigadores simplemente copiaban los datos o realizaban cambios aleatorios en ellos, la computadora aprendería patrones erróneos o perdería las pistas sutiles que indican un tumor. Para solucionar esto, el equipo ideó una estrategia basada en la energía dentro de las señales. Se dieron cuenta de que no todas las partes de una señal eran igualmente importantes; algunas secciones contenían la información más fuerte sobre el tumor, mientras que otras eran solo ruido de fondo. Dividieron las señales en piezas basadas en cuánta energía contenía cada parte, en lugar de simplemente cortarlas en intervalos de tiempo iguales. Luego, ensamblaron cuidadosamente las piezas más informativas de diferentes señales del mismo tipo, mezclando piezas benignas con otras benignas, y malignas con malignas. Para asegurar que las nuevas señales no sonaran discordantes o artificiales, suavizaron las conexiones entre las piezas. Este proceso creó miles de nuevos y realistas ejemplos de entrenamiento a partir de un conjunto original pequeño, enseñando efectivamente a la computadora qué buscar sin inventar datos falsos.

Una vez que tuvieron esta biblioteca ampliada de señales, los investigadores las convirtieron en imágenes que una computadora pudiera entender fácilmente. Transformaron los datos de ondas puras en mapas visuales llamados escalogramas, que muestran cómo la frecuencia y la fuerza de la señal cambian con el tiempo, de forma muy similar a como una partitura musical muestra las notas cambiando a través del tiempo. Estas imágenes fueron luego introducidas en un modelo de aprendizaje profundo, un tipo de inteligencia artificial diseñada para reconocer patrones en imágenes. Los investigadores probaron varios modelos diferentes, pero encontraron que una arquitectura específica, conocida como EfficientNet-B5, funcionó mejor. Este modelo fue capaz de aprender los complejos patrones visuales en las imágenes de microondas que distinguían un crecimiento benigno de uno maligno.

Los resultados de este enfoque fueron impresionantes. Al ser probada con datos que nunca había visto antes, el sistema identificó correctamente el tipo de tumor en casi el 95 por ciento de los casos. Esta precisión fue mayor que la de otros modelos computacionales populares probados en el mismo estudio, y superó a varios estudios recientes que utilizaron diferentes métodos de imagen como la ecografía o las cámaras térmicas. Los investigadores también verificaron qué tan estable era su sistema probándolo varias veces con diferentes divisiones de los datos, y los resultados se mantuvieron consistentemente altos, con muy poca variación. Encontraron que cuanto más utilizaban su método basado en la energía para expandir los datos, mejor se volvía la computadora para tomar la decisión correcta, hasta cierto punto donde añadir más datos ofrecía rendimientos decrecientes.

Este trabajo sugiere que la imagen por microondas, cuando se combina con técnicas inteligentes de datos, podría convertirse en una alternativa viable, cómoda y segura para el tamizaje del cáncer de mama. El método no requiere que la paciente sea expuesta a la radiación ni sometida a compresión física, lo que lo convierte en una opción potencialmente más amigable para el paciente. Aunque el estudio se realizó utilizando un modelo de un seno en lugar de pacientes reales, el alto nivel de precisión logrado en estos experimentos controlados proporciona una base sólida para el desarrollo futuro. Los investigadores demostraron que, al comprender la física de las señales y utilizar ese conocimiento para generar mejores datos de entrenamiento, es posible superar las limitaciones de los conjuntos de datos pequeños y construir herramientas confiables para la detección temprana del cáncer.

Resumen Técnico: Clasificación de Tumores Mamarios basada en EfficientNet-B5 a partir de Imágenes de Escalogramas CWT de Morlet de Parámetros S de Microondas

Planteamiento del Problema
La imagen mamaria por microondas (MBI) ofrece una alternativa no ionizante y no compresiva para la detección de tumores mamarios al aprovechar el contraste dieléctrico entre los tejidos sanos y malignos. Sin embargo, la aplicación del aprendizaje profundo en este dominio se ve significativamente obstaculizada por la escasez de muestras medidas experimentalmente. La adquisición de datos de microondas requiere la fabricación laboriosa de fantomas de mama y procedimientos de escaneo extensos. En consecuencia, los modelos de aprendizaje profundo entrenados con tales conjuntos de datos limitados son propensos al sobreajuste (overfitting) y a una baja generalización. Además, las técnicas estándar de aumento de datos utilizadas en visión por computadora (por ejemplo, rotación, inversión) o el procesamiento de señales genérico (por ejemplo, segmentación aleatoria) suelen ser inadecuadas para los parámetros S de microondas, ya que pueden distorsionar el significado físico de los datos de tiempo-frecuencia o introducir discontinuidades de fase artificiales.

Metodología
El marco propuesto aborda estas limitaciones mediante una estrategia de aumento de datos consciente de la física y un flujo de clasificación de aprendizaje profundo:

Adquisición y Preprocesamiento de Datos:
- Hardware: Se diseñó y utilizó un par de antenas de microcinta UWB compacto que opera a 5.691 GHz para medir los parámetros de reflexión ( $S_{11}$ ) y transmisión ( $S_{21}$ ) de un fantoma de mama hemisférico. El fantoma imita las propiedades dieléctricas (conductividad y permitividad) de la piel humana, la grasa, el tejido glandular y los tumores (benignos y malignos) utilizando la relación de dispersión de Cole-Cole.
- Medición: Las señales se capturaron en un rango de frecuencia de 2 a 12 GHz con el par de antenas rotando alrededor del fantoma en pasos de 1°, lo que produjo 360 pares de parámetros S para cada clase (benigna, maligna y normal).
- Procesamiento de Señales: Las respuestas en el dominio de la frecuencia se convirtieron al dominio del tiempo mediante un modelo de ajuste racional seguido de una transformada de Fourier inversa. Se aplicó un procedimiento de eliminación de clutter (restando las respuestas libres de tumor y promediando los términos de fondo) para suprimir reflexiones no deseadas. Finalmente, se identificó que el suavizado basado en wavelets (wavelet db4, umbral suave de nivel 6) era el método más efectivo para reducir el ruido preservando al mismo tiempo las envolventes de la señal y las características espectrales.
Aumento de Señal Guiado por Energía:
- Para expandir el limitado conjunto de datos sin violar las restricciones físicas, los autores propusieron un método de segmentación guiada por energía. A diferencia de la segmentación de longitud igual, las señales se dividieron en segmentos que contenían cantidades casi iguales de energía electromagnética.
- Se seleccionaron segmentos de alta energía, que contienen información de dispersión más fuerte de la región del tumor, y se recombinaron para generar nuevas señales sintéticas.
- Se aplicaron transiciones suaves (interpolación y crossfading) en los límites de los segmentos para minimizar las discontinuidades artificiales. Este proceso generó 3,600 muestras aumentadas por clase tanto para $S_{11}$ como para $S_{21}$ , expandiendo el conjunto de datos de 720 muestras originales a 7,200 muestras totales.
- La visualización t-SNE confirmó que las muestras aumentadas expandieron la cobertura del espacio de características manteniendo los patrones de agrupamiento de los datos originales.
Generación de Escalograma y Clasificación:
- Las señales aumentadas en el dominio del tiempo se transformaron en imágenes 2D utilizando la Transformada Continua de Wavelet (CWT) con una wavelet madre de Morlet. El estudio utilizó la magnitud de los coeficientes CWT ( $|W_x(a,b)|$ ) en lugar de la magnitud al cuadrado para preservar un rango dinámico equilibrado sin enfatizar excesivamente las respuestas dominantes.
- Estas imágenes de escalograma se redimensionaron a $456 \times 456$ píxeles y se introdujeron en un modelo EfficientNet-B5 preentrenado en ImageNet modificado.
- El cabezal de clasificación se personalizó con pooling de promedio global, dos capas de dropout (tasa de 0.55) y capas totalmente conectadas. El modelo se entrenó utilizando un enfoque de aprendizaje por transferencia de dos etapas, congelando el backbone durante las dos primeras épocas, seguido de un ajuste fino (fine-tuning) conjunto. Se emplearon profundidad estocástica (stochastic depth) y suavizado de etiquetas (label smoothing) para prevenir el sobreajuste.

Contribuciones Clave

Aumento Guiado por Energía: El artículo introduce una novedosa técnica de aumento a nivel de señal que respeta la distribución de energía física de las respuestas de microondas. Este método aumenta el tamaño del conjunto de datos preservando el comportamiento de dispersión esencial para la detección de tumores, evitando los inconvenientes de la manipulación aleatoria o geométrica de la señal.
Arquitectura de Aprendizaje Profundo Optimizada: El estudio evalúa sistemáticamente varias variantes de EfficientNet (B0–B7) y otras arquitecturas (DenseNet-201, InceptionV3, Xception). Identifica a EfficientNet-B5 como el backbone óptimo, ofreciendo el mejor equilibrio entre la capacidad de extracción de características y el costo computacional para el tamaño y complejidad de este conjunto de datos específico.
Denoising y Transformación Robustos: La integración del suavizado por wavelet y la generación de escalogramas mediante CWT crea un flujo de trabajo robusto para convertir los parámetros S de microondas brutos en características de imagen discriminativas aptas para el aprendizaje profundo.

Resultados
El marco propuesto fue evaluado mediante validación cruzada de 5 pliegues (5-fold cross-validation) en el conjunto de datos aumentado:

Desempeño: El modelo EfficientNet-B5 logró una precisión media de 94.78% ± 1.91%, con una precisión (precision) de 97.85%, una sensibilidad (recall) de 91.61% y un F1-score de 94.59%.
Poder Discriminativo: El modelo demostró un área bajo la curva (AUC) media de 0.9920 ± 0.0046, lo que indica una excelente separación entre las clases benignas y malignas.
Comparación: El método propuesto superó a otras variantes de EfficientNet (donde B6 y B7 mostraron ligeros descensos en el desempeño debido probablemente al sobreajuste en los datos limitados) y a otros modelos de vanguardia como DenseNet-201 y Xception.
Ablación: Los experimentos mostraron que la combinación de aumentos a nivel de señal (guiados por energía) y a nivel de imagen produjo las curvas de entrenamiento más estables y la mejor generalización en comparación con el uso de solo uno de los métodos o ninguno.

Significancia y Reivindicaciones
El artículo sostiene que la estrategia de aumento guiada por energía propuesta mitiga eficazmente el problema de la escasez de datos en la imagen mamaria por microondas experimental. Al generar señales sintéticas que retienen las características de dispersión física de las mediciones originales, el método permite que los modelos de aprendizaje profundo aprendan características estables relacionadas con el tumor a partir de datos experimentales limitados. Los autores enfatizan que el marco proporciona un equilibrio práctico entre un alto desempeño de clasificación y la viabilidad, ofreciendo una herramienta de detección no ionizante y no compresiva que no requiere los extensos recursos computacionales de las técnicas de reconstrucción iterativa. Los resultados sugieren que este enfoque es un paso viable hacia sistemas de detección de tumores mamarios basados en microondas, portátiles y rentables.

Más como este