与深度学习集成的正规体内天线系统,用于非侵入性乳腺癌检测
Marwa H Sharaf1,2, Manuel Arrebola3, Khalid F A Hussein4
1Electronics and Communications Department, College of Engineering and Technology, Arab Academy for Science, Technology & Maritime Transport, Alexandria 21937, Egypt.
Sensors (Basel, Switzerland)
|August 14, 2025
概括
这项研究提出了一个新的深度学习框架,使用微波雷达进行非侵入性乳腺癌检测. 该系统准确估计瘤的位置,大小和深度,为早期诊断提供了有前途的进展.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 准确和非侵入性乳腺癌检测对于有效治疗至关重要.
- 目前的方法面临着敏感性和特异性的挑战.
- 微波成像为安全和早期瘤检测提供了潜力.
研究的目的:
- 开发一种深度学习框架,用于使用微波雷达进行非侵入性乳腺癌检测.
- 设计和验证一个超宽带天线,以提高瘤检测灵敏度.
- 创建一个创新的基于注意力的特征分离 (ABFS) 模型,以精确估计瘤参数.
主要方法:
- 一个弧形的,超宽带八角形环补丁天线的进化设计和实验验证.
- 评估特定吸收率 (SAR) 分布和功率调整以符合安全要求.
- 使用模拟的S参数开发基于注意力的特征分离 (ABFS) 深度学习模型.
- 多分支神经网络用于瘤定位和大小估计.
主要成果:
- 设计的天线证明了有效的信号传播和与乳腺组织的相互作用.
- 该ABFS模型动态识别了最佳频率子频段,并解开了歧视性特征.
- 深度学习框架在模拟中实现了高估计准确性和计算效率.
- 与传统的注意力机制相比,提出的方法显示出更高的预测准确性和可解释性.
结论:
- 深度学习与符合规范的微波成像技术的整合,为乳腺癌检测提供了一种安全,有效和非侵入性的方法.
- 该ABFS模型显示显著的承诺,以提高瘤参数估计的准确性和可解释性.
- 这一框架代表了乳腺癌诊断工具的重大进步.
