An Optimization-Based Approach to Radar Image Reconstruction in Breast Microwave Sensing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Breast microwave sensing (BMS) has been studied as a potential technique for cancer detection due to the observed microwave properties of malignant and healthy breast tissues. This work presents a novel radar-based image reconstruction algorithm for use in BMS that reframes the radar image reconstruction process as an optimization problem. A gradient descent optimizer was used to create an optimization-based radar reconstruction (ORR) algorithm. Two hundred scans of MRI-derived breast phantoms were performed with a preclinical BMS system. These scans were reconstructed using the ORR, delay-and-sum (DAS), and delay-multiply-and-sum (DMAS) beamformers. The ORR was observed to improve both sensitivity and specificity compared to DAS and DMAS. The estimated sensitivity and specificity of the DAS beamformer were 19% and 44%, respectively, while for ORR, they were 27% and 56%, representing a relative increase of 42% and 27%. The DAS reconstructions also exhibited a hot-spot image artifact, where a localized region of high intensity that did not correspond to any physical phantom feature would be present in an image. This artifact appeared like a tumour response within the image and contributed to the lower specificity of the DAS beamformer. This artifact was not observed in the ORR reconstructions. This work demonstrates the potential of an optimization-based conceptualization of the radar image reconstruction problem in BMS. The ORR algorithm implemented in this work showed improved diagnostic performance and fewer image artifacts compared to the widely employed DAS algorithm.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle