EfficientNet-B5 Based Breast Tumor Classification from CWT Morlet Scalogram Images of Microwave S-Parameters
Este artigo propõe um método de aumento ao nível de sinal guiado por energia para superar a escassez de dados em imagens de mama de micro-ondas, alcançando 94,7% de precisão na classificação de tumores benignos e malignos ao converter as respostas de parâmetros S aumentadas em escalogramas Morlet CWT e realizar o ajuste fino de um classificador EfficientNet-B5.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
O câncer de mama continua sendo um dos desafios de saúde mais significativos para as mulheres em todo o mundo, e detectá-lo precocemente é frequentemente a diferença entre a vida e a morte. Por décadas, os médicos confiaram em ferramentas como a mamografia, que utiliza raios X, ou o ultrassom, que utiliza ondas sonoras, para observar o interior da mama. Embora esses métodos sejam eficazes, eles apresentam desvantagens: os raios X envolvem radiação e podem ser desconfortáveis porque a mama deve ser espremida, enquanto os resultados do ultrassom podem variar dependendo da habilidade do técnico. Nos últimos anos, cientistas voltaram sua atenção para um tipo diferente de onda: as micro-ondas. Diferente dos raios X, as micro-ondas são uma forma de radiação não ionizante, o que significa que não trazem os mesmos riscos de danificar o DNA, e não exigem o esmagamento da mama. Essa técnica funciona porque o tecido canceroso se comporta de maneira diferente do tecido saudável quando atingido por essas ondas; o tumor absorve e reflete a energia de uma forma única. No entanto, ensinar um computador a reconhecer essas diferenças sutis tem sido difícil porque existem poucos exemplos reais de sinais de micro-ondas de tumores de mama para aprender.
Uma equipe de pesquisadores do Instituto Nacional de Tecnologia de Silchar, na Índia, desenvolveu uma nova maneira de resolver essa escassez de dados, permitindo treinar programas de computador poderosos para distinguir entre tumores de mama benignos e malignos usando sinais de micro-ondas. Em vez de tentar encontrar mais pacientes ou construir equipamentos mais caros, os pesquisadores criaram um método para multiplicar inteligentemente os dados existentes que possuíam. Eles começaram medindo como os sinais de micro-ondas ricocheteavam e passavam por um modelo de mama humana, conhecido como fantoma, que foi projetado para imitar as propriedades elétricas do tecido real. Este modelo incluía tanto tecido saudável quanto tumores simulados, alguns benignos e outros malignos. Usando um par de pequenas antenas, eles registraram os sinais conforme eles se moviam pelo modelo, capturando milhares de pontos de dados que representavam a "impressão digital" única da estrutura interna da mama.
O desafio era que esses sinais brutos eram insuficientes para ensinar um sistema de computador sofisticado de forma eficaz. Se os pesquisadores simplesmente copiassem os dados ou fizessem mudanças aleatórias neles, o computador aprenderia os padrões errados ou perderia as pistas sutis que indicam um tumor. Para corrigir isso, a equipe concebeu uma estratégia baseada na energia dentro dos sinais. Eles perceberam que nem toda parte de um sinal era igualmente importante; algumas seções continham a informação mais forte sobre o tumor, enquanto outras eram apenas ruído de fundo. Eles dividiram os sinais em pedaços baseados em quanta energia cada parte continha, em vez de apenas cortá-los em intervalos de tempo iguais. Então, eles costuraram cuidadosamente os pedaços mais informativos de diferentes sinais do mesmo tipo — misturando pedaços benignos com outros pedaços benignos, e malignos com malignos. Para garantir que os novos sinais não soassem bruscos ou artificiais, eles suavizaram as conexões entre os pedaços. Esse processo criou milhares de novos exemplos de treinamento realistas a partir de um pequeno conjunto original, efetivamente ensinando o computador o que procurar sem inventar dados falsos.
Uma vez que tiveram essa biblioteca expandida de sinais, os pesquisadores os converteram em imagens que um computador pudesse entender facilmente. Eles transformaram os dados brutos das ondas em mapas visuais chamados escalogramas, que mostram como a frequência e a força do sinal mudam ao longo do tempo, de forma muito semelhante a uma partitura musical que mostra as notas mudando ao longo do tempo. Essas imagens foram então inseridas em um modelo de aprendizado profundo (deep learning), um tipo de inteligência artificial projetada para reconhecer padrões em imagens. Os pesquisadores testaram vários modelos diferentes, mas descobriram que uma arquitetura específica, conhecida como EfficientNet-B5, teve o melhor desempenho. Este modelo foi capaz de aprender os complexos padrões visuais nas imagens de micro-ondas que distinguiam um crescimento benigno de um maligno.
Os resultados desta abordagem foram impressionantes. Quando testado em dados que nunca havia visto antes, o sistema identificou corretamente o tipo de tumor em quase 95 por cento dos casos. Esta precisão foi superior à de outros modelos de computador populares testados no mesmo estudo, e superou vários estudos recentes que utilizaram diferentes métodos de imagem, como ultrassom ou câmeras térmicas. Os pesquisadores também verificaram a estabilidade do sistema testando-o várias vezes com diferentes divisões dos dados, e os resultados permaneceram consistentemente altos, com muito pouca variação. Eles descobriram que, quanto mais utilizavam seu método baseado em energia para expandir os dados, melhor o computador se tornava para tomar a decisão correta, até um certo ponto onde a adição de mais dados oferecia retornos decrescentes.
Este trabalho sugere que a imagem por micro-ondas, quando combinada com técnicas inteligentes de dados, pode se tornar uma alternativa viável, confortável e segura para o rastreamento do câncer de mama. O método não exige que a paciente seja exposta à radiação ou submetida à compressão física, tornando-o uma opção potencialmente mais amigável ao paciente. Embora o estudo tenha sido conduzido utilizando um modelo de mama e não pacientes reais, o alto nível de precisão alcançado nestes experimentos controlados fornece uma base sólida para o desenvolvimento futuro. Os pesquisadores demonstraram que, ao compreender a física dos sinais e usar esse conhecimento para gerar melhores dados de treinamento, é possível superar as limitações de conjuntos de dados pequenos e construir ferramentas confiáveis para a detecção precoce do câncer.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.