相关实验视频
Updated: Jan 16, 2026
04:43
Detection of Lung Tumor Progression in Mice by Ultrasound Imaging
Published on: February 27, 2020
7.3K
用人工智能驱动的微波成像设计,用于监测肺瘤
Adarsh Singh1, Sandip Paul2, Sreetama Gayen1
1Department of Electronics & Telecommunication Engineering, Indian Institute of Engineering Science and Technology, Shibpur, India.
Scientific reports
|October 1, 2025
概括
这项研究介绍了一种人工智能驱动的微波成像工具,用于早期肺瘤检测. 使用S参数的XGBoost模型显示,与图像上的CNN相比,瘤检测优越.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 全球肺部疾病,特别是肺癌的发病率不断上升,需要先进的早期检测方法.
- 目前的诊断工具,如X射线和CT扫描,涉及电离辐射,造成潜在的健康风险.
- 对肺瘤的非侵入性,低成本和便携式诊断解决方案的需求越来越大.
研究的目的:
- 设计和评估一个集成人工智能 (AI) 的基于微波的诊断工具,用于早期肺瘤检测.
- 为了比较不同机器学习 (ML) 方法 (XGBoost和CNN) 对于瘤检测和大小预测的有效性.
- 为了探索一个便携式,无辐射的诊断设备的可行性,用于肺癌查.
主要方法:
- 使用微波成像 (MWI) 装置,用于数据采集,采用可穿戴带配置的八个天线.
- 从CST车身模型中收集散射参数 (S参数),并将其重建为2D图像.
- 研究了两种ML方法:XGBoost在原始S参数上和卷积神经网络 (CNN) 在重建的2D图像上用于瘤检测和大小预测.
主要成果:
- 使用原始S参数的XGBoost分类器在检测瘤方面表现出优异的性能,与重建图像的CNN相比.
- 对于瘤大小的预测,使用重建的微波图像的CNN超越了基于原始S参数的XGBoost模型.
- 这两种模型都在不同的车身模型上进行了评估,以评估它们对未见数据的概括能力.
结论:
- 一个集成AI的微波诊断设备显示了低成本,便携式肺瘤检测的可行性.
- 这项技术为基于电离辐射的成像方法 (如X射线和CT扫描) 提供了一个有希望的替代方案.
- 该研究强调了将MWI与ML结合起来,为有效和安全的早期肺癌诊断提供潜力.
