Initial design and simulation of a portable breast microwave detection device
Notice bibliographique
Résumé
Breast cancer is the most commonly diagnosed cancer and the leading cause of cancer death for women in Canada. Access to breast cancer screening is limited in northern and First Nation communities in Canada, as well as low- and middle-income countries (LMIC) in the broader international community. Lack of accessible screening tools contribute to inequitable care and increased mortality rates. Microwave breast detection has shown promising results as a safe, low-cost breast cancer screening method. This thesis aims to design and simulate a portable microwave device suitable for use in remote and low-income areas. The device features a cylindrical array of patch antennas and, through machine learning, will require no trained personnel to operate or obtain a preliminary diagnosis. Tiny vector network analyzers were used to measure S-parameters from 0.7 - 3 GHz. A basic radar model was improved to incorporate spherical spreading, microwave attenuation, and secondary scattering. This radar model was used to simulate time-domain sinograms of dual rod models. The rod models consisted of two point scatterers with assigned reflectivities of 100% & m% or m% & m%, where m was varied as: 10%, 30%, 50%, 70%, and 90%. The simulated sinograms were used to train a convolutional neural network to locate the rod responses. The network was able to easily detect and locate the 100% rod response, but struggled with the lower 10% and 30% reflectivities. The 100% and 90% rod models performed with an accuracy of 92%. The use of machine learning improved upon conventional reconstruction methods for breast microwave radar. Similar machine learning techniques can be performed on real scans with shell-based breast phantoms. The radar model simulations can be used to increase the data set size and improve training performance through transfer learning. Microwave sensing and machine learning methods offer promising possibilities to breast cancer screening accessibility for women in remote and low-income areas.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».