EfficientNet-B5 Based Breast Tumor Classification from CWT Morlet Scalogram Images of Microwave S-Parameters
本文提出了一种能量引导的信号级增强方法，通过将增强后的 S 参数响应转换为连续小波变换（CWT）Morlet 时频图，并对 EfficientNet-B5 分类器进行微调，以克服微波乳腺成像中的数据稀缺问题，从而在良性和恶性肿瘤分类中实现了 94.7% 的准确率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
乳腺癌仍然是全球女性面临的最重大的健康挑战之一，而早期发现往往是生与死的区别。几十年来，医生一直依赖于像乳腺 X 线摄影（使用 X 射线）或超声波（使用声波）之类的工具来观察乳房内部。虽然这些方法很有效，但它们也存在缺点：X 射线涉及辐射，并且因为乳房必须被压平而可能让人感到不适；而超声波的结果则取决于技术人员的水平。近年来，科学家们将注意力转向了一种不同类型的波：微波。与 X 射线不同，微波是一种非电离辐射，这意味着它们不会带来破坏 DNA 的相同风险，而且不需要挤压乳房。这项技术之所以有效，是因为癌性组织在受到这些波冲击时的表现与健康组织不同；肿瘤会以独特的方式吸收和反射能量。然而，教计算机识别这些细微差异非常困难，因为用于学习微波信号中真实乳腺肿瘤的实例非常稀少。
印度西查尔国家技术学院的一支研究小组开发了一种解决这种数据短缺的新方法，使他们能够训练强大的计算机程序，利用微波信号来区分良性和恶性的乳腺肿瘤。研究人员并没有试图寻找更多的患者或制造更昂贵的设备，而是创造了一种智能倍增现有数据的方法。他们首先通过测量微波信号如何从一个被称为“仿生乳房”（phantom）的人体乳房模型中反射和穿过，该模型旨在模拟真实组织的电学特性。这个模型包含了健康组织和模拟的肿瘤，包括良性和恶性肿瘤。他们使用一对小型天线，记录了信号在模型周围移动时的过程，捕捉到了数千个代表乳房内部结构独特“指纹”的数据点。
挑战在于，这些原始信号过于稀少，无法有效地教导复杂的计算机系统。如果研究人员只是简单地复制数据或对其进行随机更改，计算机就会学到错误的模式或错过指示肿瘤的微妙线索。为了解决这个问题，团队制定了一种基于信号内能量的策略。他们意识到，信号中的每一部分并不都是同等重要的；有些部分包含了关于肿瘤的最强信息，而有些部分则仅仅是背景噪声。他们不是简单地将信号切成相等的时段，而是根据每个部分所含能量的大小将信号拆解开来。然后，他们小心地将来自相同类型的最具有信息量的片段拼接在一起——将良性片段与其它良性片段混合，将恶性片段与恶性片段混合。为了确保新的信号听起来不会显得突兀或人工化，他们在片段之间的连接处进行了平滑处理。这个过程从一小组原始数据中创造了数千个新的、真实的训练样本，从而在不伪造数据的情况下，有效地教会了计算机该寻找什么。
一旦拥有了扩展后的信号库，研究人员就将它们转换成计算机易于理解的图像。他们将原始波形数据转化为被称为“标量图”（scalograms）的视觉图谱，这类图谱展示了信号的频率和强度如何随时间变化，就像乐谱显示音符随时间变化一样。随后，这些图像被输入到一个深度学习模型中，这是一种旨在识别图像模式的人工智能。研究人员测试了几种不同的架构，发现一种被称为 EfficientNet-B5 的特定架构表现最好。该模型能够学习微波图像中区分良性生长与恶性生长的复杂视觉模式。
该方法的实验结果令人印象深刻。当在从未见过的数据上进行测试时，该系统正确识别肿瘤类型的准确率接近 95%。这一准确率高于在同一研究中测试的其他流行计算机模型，并且优于近期使用超声波或热成像仪等不同成像方法的几项研究。研究人员还通过使用不同的数据划分进行多次测试，检查了系统的稳定性，结果保持高度一致，波动极小。他们发现，随着他们使用基于能量的方法来扩展数据，计算机做出正确判断的能力也会随之提高，直到达到一个添加更多数据会产生收益递减的临界点。
这项工作表明，微波成像在与智能数据技术相结合时，可以成为一种可行、舒适且安全的乳腺癌筛查替代方案。该方法不需要患者暴露在辐射下，也不需要承受物理挤压，使其成为一种潜在的对患者更友好的选择。尽管这项研究是使用乳房模型而非真实患者进行的，但在这些受控实验中取得的高水平准确性，为未来的发展提供了坚实的基础。研究人员证明，通过理解信号的物理特性并利用这些知识来生成更好的训练数据，是可以克服小数据集限制并构建可靠的早期癌症检测工具的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。