An Optimization-Based Approach to Radar Image Reconstruction in Breast Microwave Sensing
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».