EfficientNet-B5 Based Breast Tumor Classification from CWT Morlet Scalogram Images of Microwave S-Parameters
Dit artikel stelt een energie-gestuurde signaalniveau-augmentatiemethode voor om gegevensschaarste in microgolf borstbeeldvorming te overwinnen, waarbij een nauwkeurigheid van 94,7% wordt bereikt bij het classificeren van goedaardige en kwaadaardige tumoren door geaugmenteerde S-parameter responsen om te zetten in CWT Morlet scalogrammen en een EfficientNet-B5 classifier te finetunen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Borstkanker blijft een van de meest significante gezondheidsuitdagingen voor vrouwen wereldwijd, en het vroegtijdig ontdekken ervan is vaak het verschil tussen leven en dood. Decennialang hebben artsen vertrouwd op hulpmiddelen zoals mammografieën, die röntgenstraling gebruiken, of echografie, die geluidsgolven gebruikt, om in de borst te kijken. Hoewel deze methoden effectief zijn, brengen ze nadelen met zich mee: röntgenstraling brengt stralingsgevaar met zich mee en kan oncomfortabel zijn omdat de borst plat gedrukt moet worden, terwijl de resultaten van een echografie kunnen variëren afhankelijk van de vaardigheid van de technicus. In de afgelopen jaren hebben wetenschappers hun aandacht gericht op een ander soort golf: microgolven. In tegen tegenstelling tot röntgenstraling zijn microgolven een vorm van niet-ioniserende straling, wat betekent dat ze niet hetzelfde risico dragen op het beschadigen van het DNA, en ze vereisen niet dat de borst wordt samengedrukt. Deze techniek werkt omdat kankercellen anders reageren dan gezond weefsel wanneer ze door deze golven worden geraakt; de tumor absorbeert en reflecteert de energie op een unieke manier. Het was echter moeilijk om een computer te leren deze subtiele verschillen te herkennen, omdat er zeer weinig echte voorbeelden zijn van microgolfsignalen van borsttumoren om van te leren.
Een team onderzoekers aan het National Institute of Technology Silchar in India heeft een nieuwe manier ontwikkeld om dit tekort aan gegevens op te lossen, waardoor zij krachtige computerprogramma's kunnen trainen om onderscheid te maken tussen onschuldige en gevaarlijke borsttumoren met behulp van microgolfsignalen. In plaats van te proberen meer patiënten te vinden of duurdere apparatuur te bouwen, ontwikkelden de onderzoekers een methode om de bestaande gegevens intelligent te vermenigvuldigen. Ze begonnen door te meten hoe microgolfsignalen weerkaatsten op en door een model van een menselijke borst bewogen, een zogenaamde 'phantom', die ontworpen was om de elektrische eigenschappen van echt weefsel na te bootsen. Dit model bevatte zowel gezond weefsel als gesimuleerde tumoren, zowel goedaardige als kwaadaardige. Met behulp van een paar kleine antennes registreerden ze de signalen terwijl ze door het model bewogen, waarbij duizenden datapunten werden vastgelegd die de unieke "vingerafdruk" van de interne structuur van de borst vertegenwoordigden.
De uitdaging was dat deze ruwe signalen te weinig waren om een geavanceerd computersysteem effectief te onderwijzen. Als de onderzoekers de gegevens simpelweg zouden kopiëren of willekeurige wijzigingen aan zouden brengen, zou de computer de verkeerde patronen leren of de subtiele aanwijzingen die op een tumor duiden, missen. Om dit op te lossen, bedacht het team een strategie gebaseerd op de energie binnen de signalen. Ze realiseerden zich dat niet elk deel van een signaal even belangrijk was; sommige secties bevatten de sterkste informatie over de tumor, terwijl andere slechts achtergrondruis waren. Ze braken de signalen op in stukken op basis van hoeveel energie elk deel bevatte, in plaats van ze simpelweg in gelijke tijdsintervallen te snijden. Vervolgens voegden ze de meest informatieve stukken van verschillende signalen van hetzelfde type zorgvuldig samen—door goedaardige stukken met andere goedaardige stukken te mengen, en kwaadaardige met kwaadaardige. Om ervoor te zorgen dat de nieuwe signalen niet schokkend of kunstmatig klonken, maakten ze de verbindingen tussen de stukken vloeiend. Dit proces creëerde duizenden nieuwe, realistische trainingsvoorbeelden uit een kleine oorspronkelijke set, waardoor de computer effectief leerde waar hij naar moest kijken zonder valse data te verzinnen.
Zodra ze deze uitgebreide bibliotheek van signalen hadden, zetten de onderzoekers deze om in afbeeldingen die een computer gemakkelijk kan begrijpen. Ze transformeerden de ruwe golfgegevens in visuele kaarten genaamd scalogrammen, die laten zien hoe de frequentie en sterkte van het signaal in de loop van de tijd veranderen, vergelijkbaar met hoe een partituur laat zien hoe noten in de loop van de tijd veranderen. Deze afbeeldingen werden vervolgens ingevoerd in een deep learning-model, een vorm van kunstmatige intelligentie die ontworien is om patronen in afbeeldingen te herkennen. De onderzoekers testten verschillende modellen, maar ontdekten dat één specifieke architectuur, bekend als EfficientNet-B5, het beste presteerde. Dit model was in staat om de complexe visuele patronen in de microgolfafbeeldingen te leren die een goedaardige groei onderscheiden van een kwaadaardige.
De resultaten van deze aanpak waren indrukwekkend. Wanneer het systeem werd getest op data die het nog nooit eerder had gezien, identificeerde het het type tumor in bijna 95 procent van de gevallen correct. Deze nauwkeurigheid was hoger dan die van andere populaire computermodellen die in dezelfde studie werden getest, en het presteerde beter dan verschillende recente studies die andere beeldvormingsmethoden zoals echografie of thermische camera's gebruikten. De onderzoekers controleerden ook hoe stabiel hun systeem was door het meerdere keren te testen met verschillende splitsingen van de data, en de resultaten bleven consistent hoog, met zeer weinig variatie. Ze ontdekten dat hoe meer ze hun energiegebaseerde methode gebruikten om de gegevens uit te breiden, hoe beter de computer werd in het maken van de juiste beslissing, tot een bepaald punt waarop het toevoegen van meer gegevens een afnemend rendement bood.
Dit werk suggereert dat microgolfbeeldvorming, wanneer het wordt gecombineerd met slimme datatechnieken, een levensvatbaar, comfortabel en veilig alternatief kan worden voor de screening van borstkanker. De methode vereist niet dat de patiënt wordt blootgesteld aan straling of onderworpen wordt aan fysieke compressie, wat het een potentieel patiëntvriendelijkere optie maakt. Hoewel de studie werd uitgevoerd met een model van een borst in plaats van echte patiënten, biedt het hoge niveau van nauwkeurigheid dat in deze gecontroleerde experimenten werd bereikt een sterke basis voor verdere ontwikkeling. De onderzoekers hebben aangetoond dat door de fysica van de signalen te begrijpen en die kennis te gebruiken om betere trainingsdata te genereren, het mogelijk is om de beperkingen van kleine datasets te overwinnen en betrouwbare hulpmiddelen voor vroege kankerdetectie te bouwen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.