⚡ electrical engineering

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

Ce document propose une méthode d'augmentation au niveau du signal guidée par l'énergie pour surmonter la rareté des données en imagerie mammaire micro-onde, atteignant une précision de 94,7 % dans la classification des tumeurs bénignes et malignes en convertissant les réponses de paramètres S augmentées en scalogrammes de Morlet CWT et en affinant un classificateur EfficientNet-B5.

Auteurs originaux : Avik Majumder, Edison Kho, Banani Basu, Arnab Nandi

Publié 2026-08-25

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Avik Majumder, Edison Kho, Banani Basu, Arnab Nandi

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le cancer du sein demeure l'un des défis sanitaires les plus importants pour les femmes à travers le monde, et un dépistage précoce est souvent la différence entre la vie et la mort. Depuis des décennies, les médecins s'appuient sur des outils tels que la mammographie, qui utilise des rayons X, ou l'échographie, qui utilise des ondes sonores, pour observer l'intérieur du sein. Bien que ces méthodes soient efficaces, elles comportent des inconvénients : les rayons X impliquent des radiations et peuvent être inconfortables car le sein doit être compressé, tandis que les résultats de l'échographie peuvent varier selon la compétence du technicien. Ces dernières années, les scientifiques ont porté leur attention sur un autre type d'onde : les micro-ondes. Contrairement aux rayons X, les micro-ondes sont une forme de rayonnement non ionisant, ce qui signifie qu'elles ne présentent pas les mêmes risques de dommages à l'ADN, et elles ne nécessitent pas de compression du sein. Cette technique fonctionne car le tissu cancéreux se comporte différemment du tissu sain lorsqu'il est frappé par ces ondes ; la tumeur absorbe et réfléchit l'énergie d'une manière unique. Cependant, apprendre à un ordinateur à reconnaître ces différences subtiles a été difficile car il existe très peu d'exemples réels de signaux micro-ondes provenant de tumeurs mammaires pour l'apprentissage.

Une équipe de chercheurs de l'Institut National de Technologie de Silchar, en Inde, a développé une nouvelle façon de résoudre cette pénurie de données, permettant d'entraîner de puissants programmes informatiques pour distinguer les tumeurs mammaires bénignes des tumeurs dangereuses à l'aide de signaux micro-ondes. Au lieu de chercher davantage de patients ou de construire des équipements plus coûteux, les chercheurs ont créé une méthode pour multiplier intelligemment les données existantes. Ils ont commencé par mesurer la façon dont les signaux micro-ondes rebondissaient sur et traversaient un modèle de sein humain, appelé fantôme, qui a été conçu pour imiter les propriétés électriques des tissus réels. Ce modèle comprenait à la fois des tissus sains et des tumeurs simulées, certaines bénignes et d'autres malignes. À l'aide d'une paire de petites antennes, ils ont enregistré les signaux lors de leurs déplacements autour du modèle, capturant des milliers de points de données qui représentaient l'« empreinte digitale » unique de la structure interne du sein.

Le défi était que ces signaux bruts étaient trop peu nombreux pour enseigner efficacement à un système informatique sophistiqué. Si les chercheurs s'étaient contentés de copier les données ou d'y apporter des modifications aléatoires, l'ordinateur aurait appris de mauvais schémas ou aurait manqué les indices subtils indiquant une tumeur. Pour y remédier, l'équipe a conçu une stratégie basée sur l'énergie au sein des signaux. Ils ont réalisé que chaque partie d'un signal n'était pas également importante ; certaines sections contenaient les informations les plus fortes sur la tumeur, tandis que d'autres n'étaient que du bruit de fond. Ils ont découpé les signaux en morceaux basés sur la quantité d'énergie que chaque partie contenait, plutôt que de simplement les couper en tranches de temps égales. Ensuite, ils ont soigneusement recousu les morceaux les plus informatifs provenant de différents signaux de même type — mélangeant des morceaux bénins avec d'autres morceaux bénins, et des morceaux malins avec des malins. Pour s'assurer que les nouveaux signaux ne paraissent pas saccadés ou artificiels, ils ont lissé les connexions entre les morceaux. Ce processus a créé des milliers de nouveaux exemples d'entraînement réalistes à partir d'un petit ensemble initial, enseignant ainsi efficacement à l'ordinateur ce qu'il faut chercher sans inventer de fausses données.

Une fois cette bibliothèque de signaux élargie, les chercheurs les ont convertis en images qu'un ordinateur peut facilement comprendre. Ils ont transformé les données d'ondes brutes en cartes visuelles appelées scalogrammes, qui montrent comment la fréquence et la force du signal changent au fil du temps, tout comme une partition musicale montre les notes changeant au fil du temps. Ces images ont ensuite été injectées dans un modèle d'apprentissage profond, un type d'intelligence artificielle conçu pour reconnaître des motifs dans les images. Les chercheurs ont testé plusieurs modèles différents, mais ils ont constaté qu'une architecture spécifique, connue sous le nom d'EfficientNet-B5, était la plus performante. Ce modèle a été capable d'apprendre les motifs visuels complexes dans les images micro-ondes qui distinguaient une croissance bénigne d'une croissance maligne.

Les résultats de cette approche ont été impressionnants. Lorsqu'ils ont été testés sur des données qu'ils n'avaient jamais vues auparavant, le système a correctement identifié le type de tumeur dans près de 95 pour cent des cas. Cette précision était supérieure à celle d'autres modèles informatiques populaires testés dans la même étude, et elle a surpassé plusieurs études récentes utilisant différentes méthodes d'imagerie comme l'échographie ou les caméras thermiques. Les chercheurs ont également vérifié la stabilité de leur système en le testant plusieurs fois avec différents découpages des données, et les résultats sont restés systématiquement élevés, avec très peu de variations. Ils ont constaté que plus ils utilisaient leur méthode basée sur l'énergie pour étendre les données, mieux l'ordinateur devenait capable de prendre la bonne décision, jusqu'à un certain point où l'ajout de données offrait des rendements décroissants.

Ce travail suggère que l'imagerie micro-ondes, lorsqu'elle est couplée à des techniques de données intelligentes, pourrait devenir une alternative viable, confortable et sûre pour le dépistage du cancer du sein. La méthode ne nécessite pas que la patiente soit exposée à des radiations ou soumise à une compression physique, ce qui en fait une option potentiellement plus respectueuse du patient. Bien que l'étude ait été menée sur un modèle de sein plutôt que sur de vrais patients, le haut niveau de précision atteint lors de ces expériences contrôlées fournit une base solide pour les développements futurs. Les chercheurs ont démontré qu'en comprenant la physique des signaux et en utilisant cette connaissance pour générer de meilleures données d'entraînement, il est possible de surmonter les limites des petits ensembles de données et de construire des outils fiables pour la détection précoce du cancer.

Résumé technique : Classification de tumeurs mammaires basée sur EfficientNet-B5 à partir d'images de scalogrammes CWT de paramètres S micro-ondes

Énoncé du problème
L'imagerie mammaire par micro-ondes (MBI) offre une alternative non ionisante et non compressive pour la détection des tumeurs mammaires en exploitant le contraste diélectrique entre les tissus sains et malins. Cependant, l'application de l'apprentissage profond dans ce domaine est considérablement entravée par la rareté des échantillons mesurés expérimentalement. L'acquisition de données micro-ondes nécessite la fabrication chronophage de fantômes mammaires et des procédures de balayage étendues. Par conséquent, les modèles d'apprentissage profond entraînés sur des ensembles de données aussi limités sont sujets au surapprentissage (overfitting) et à une faible généralisation. De plus, les techniques d'augmentation de données standard utilisées en vision par ordinateur (ex. : rotation, retournement) ou en traitement du signal générique (ex. : segmentation aléatoire) sont souvent inappropriées pour les paramètres S micro-ondes, car elles peuvent fausser la signification physique des données temps-fréquence ou introduire des discontinités de phase artificielles.

Méthodologie
Le cadre proposé répond à ces limitations par une stratégie d'augmentation de données respectueuse de la physique et un pipeline de classification par apprentissage profond :

Acquisition et prétraitement des données :
- Matériel : Une paire d'antennes micro-rubans UWB compacte fonctionnant à 5,691 GHz a été conçue et utilisée pour mesurer les paramètres de réflexion ( $S_{11}$ ) et de transmission ( $S_{21}$ ) à partir d'un fantôme mammaire hémisphérique. Le fantôme imite les propriétés diélectriques (conductivité et permittivité) de la peau humaine, de la graisse, du tissu glandulaire et des tumeurs (bénignes et malignes) en utilisant la relation de dispersion de Cole-Cole.
- Mesure : Les signaux ont été capturés sur une plage de fréquences de 2 à 12 GHz avec la paire d'antennes pivotant autour du fantôme par pas de 1°, produisant 360 paires de paramètres S pour chaque classe (bénigne, maligne et normale).
- Traitement du signal : Les réponses dans le domaine fréquentiel ont été converties en domaine temporel à l'aide d'un modèle d'ajustement rationnel suivi d'une transformée de Fourier inverse. Une procédure de suppression du clutter (soustraction des réponses sans tumeur et moyennage des termes de fond) a été appliquée pour supprimer les réflexions indésirables. Enfin, le débruitage par ondelettes (ondelette db4, seuillage doux de niveau 6) a été identifié comme la méthode la plus efficace pour réduire le bruit tout en préservant les enveloppes de signaux et les caractéristiques spectrales.
Augmentation de signal guidée par l'énergie :
- Pour étendre le jeu de données limité sans violer les contraintes physiques, les auteurs ont proposé une méthode de segmentation guidée par l'énergie. Contrairement à la segmentation de longueur égale, les signaux ont été divisés en segments contenant des quantités quasi égales d'énergie électromagnétique.
- Les segments à haute énergie, qui contiennent des informations de diffusion plus fortes provenant de la région de la tumeur, ont été sélectionnés et recombinés pour générer de nouveaux signaux synthétiques.
- Des transitions fluides (interpolation et fondu enchaîné) ont été appliquées aux limites des segments afin de minimiser les discontinuités artificielles. Ce processus a généré 3 600 échantillons augmentés par classe pour $S_{11}$ et $S_{21}$ , faisant passer le jeu de données de 720 échantillons originaux à 7 200 échantillons au total.
- La visualisation t-SNE a confirmé que les échantillons augmentés ont étendu la couverture de l'espace des caractéristiques tout en maintenant les motifs de regroupement (clustering) des données originales.
Génération de scalogrammes et classification :
- Les signaux augmentés du domaine temporel ont été transformés en images 2D à l'aide de la transformée en ondelettes continues (CWT) avec une ondelette mère de Morlet. L'étude a utilisé la magnitude des coefficients CWT ( $|W_x(a,b)|$ ) plutôt que la magnitude au carré afin de préserver une plage dynamique équilibrée sans accentuer excessivement les réponses dominantes.
- Ces images de scalogrammes ont été redimensionnées en $456 \times 456$ pixels et injectées dans un modèle EfficientNet-B5 pré-entraîné sur ImageNet modifié.
- La tête de classification a été personnalisée avec un pooling moyen global, deux couches de dropout (taux de 0,55) et des couches entièrement connectées. Le modèle a été entraîné via une approche d'apprentissage par transfert en deux étapes : le gel de l'architecture (backbone) pour les deux premières époques, suivi d'un ajustement fin (fine-tuning) conjoint. La profondeur stochastique et le lissage de labels (label smoothing) ont été employés pour prévenir le surapprentissage.

Contributions clés

Augmentation guidée par l'énergie : L'article introduit une nouvelle technique d'augmentation au niveau du signal qui respecte la distribution d'énergie physique des réponses micro-ondes. Cette méthode augmente la taille du jeu de données tout en préservant le comportement de diffusion essentiel à la détection des tumeurs, évitant ainsi les pièges de la manipulation de signaux géométriques ou aléatoires.
Architecture d'apprentissage profond optimisée : L'étude évalue systématiquement diverses variantes d'EfficientNet (B0–B7) ainsi que d'autres architectures (DenseNet-201, InceptionV3, Xception). Elle identifie EfficientNet-B5 comme l'architecture optimale, offrant le meilleur équilibre entre la capacité d'extraction de caractéristiques et le coût computationnel pour la taille et la complexité de ce jeu de données spécifique.
Débruitage et transformation robustes : L'intégration du débruitage par ondelettes et de la génération de scalogrammes par CWT crée un pipeline robuste pour convertir les paramètres S micro-ondes bruts en caractéristiques d'images discriminantes adaptées à l'apprentissage profond.

Résultats
Le cadre proposé a été évalué par validation croisée à 5 plis sur le jeu de données augmenté :

Performance : Le modèle EfficientNet-B5 a atteint une précision moyenne de 94,78 % ± 1,91 %, avec une précision (precision) de 97,85 %, un rappel (recall) de 91,61 % et un score F1 de 94,59 %.
Pouvoir discriminatif : Le modèle a démontré une aire sous la courbe (AUC) moyenne de 0,9920 ± 0,0046, indiquant une excellente séparation entre les classes bénignes et malignes.
Comparaison : La méthode proposée a surpassé les autres variantes d'EfficientNet (où B6 et B7 ont montré de légères baisses de performance, probablement dues au surapprentissage sur les données limitées) ainsi que d'autres modèles de pointe comme DenseNet-201 et Xception.
Ablation : Les expériences ont montré que la combinaison des augmentations au niveau du signal (guidée par l'énergie) et au niveau de l'image produisait les courbes d'entraînement les plus stables et la meilleure généralisation par rapport à l'utilisation d'une seule méthode ou de l'absence d'augmentation.

Signification et affirmations
L'article affirme que la stratégie d'augmentation guidée par l'énergie proposée atténue efficacement le problème de la rareté des données dans l'imagerie mammaire micro-ondes expérimentale. En générant des signaux synthétiques qui conservent les caractéristiques de diffusion physique des mesures originales, la méthode permet aux modèles d'apprentissage profond d'apprendre des caractéristiques stables liées aux tumeurs à partir de données expérimentales limitées. Les auteurs soulignent que ce cadre offre un équilibre pratique entre haute performance de classification et faisabilité, proposant un outil de dépistage non ionisant et non compressif qui ne nécessite pas les ressources de calcul extensives des techniques de reconstruction itérative. Les résultats suggèrent que cette approche constitue une étape viable vers des systèmes de détection de tumeurs mammaires par micro-ondes portables et rentables.

Articles similaires