一种基于深度学习算法的微波人体实时穿透式成像方法技术

本发明专利技术公开了一种基于深度学习算法的微波人体实时穿透式成像方法，涉及医疗成像技术领域，包括以下步骤：S1、首先确定成像系统参数并接收原始测试数据；S2、通过线性算法获得只有线性信息的介电常数粗糙图像；S3、基于注意力机制的机器学习网络将介电常数粗糙图像作为神经网络的输入；S4、加入高次散射信息，得到真实介电常数的成像结果。该基于深度学习算法的微波人体实时穿透式成像方法，利用微波成像原理实现了辐射功率小、安全无创、非侵入式检测的目的；系统设计实现了小型化，便携式的目的；使用深度学习算法，提高了成像分辨率和实现了实时成像，可应用于人脑、胳膊、膝盖等部位的医疗成像检测。的医疗成像检测。的医疗成像检测。

A real-time microwave human body penetrating imaging method based on deep learning algorithm

【技术实现步骤摘要】
一种基于深度学习算法的微波人体实时穿透式成像方法


[0001]本专利技术涉及医疗成像
，具体为一种基于深度学习算法的微波人体实时穿透式成像方法。

技术介绍

[0002]现阶段较为成熟的医疗成像仪器主要有核磁共振成像(Magnetic Resonance Imaging,MRI)、断层扫描(Computed tomography,CT)、X射线成像、正电子发射断层成像(Positron emission tomography,PET)、超声成像(Ultrasound,US)，各个方法的成像原理不同，得到的成像信息不同，因此拥有各自的优势和劣势。
[0003]其中，MRI分辨率较高，但价格昂贵，永磁体体积巨大，并且受测患者体内不可以装有金属医疗支架、钉等；CT拥有很高的空间分辨率，可实现组织的灰度成像，是目前医疗成像的主流设备，但基于X射线的成像存在电离辐射，容易引起额外的组织病变，对人体始终存在不可忽视的健康隐患，无法进行实时监测，此外X光成像对比度很低，误诊率较高；MRI和CT检测系统设备规模较大，不可携带，均不适合医者现场使用，偏远地区相关医疗建设情况也较少。PET利用放射性元素衰变标记进行肿瘤和癌细胞扩散的追踪诊断，医学原理可靠，诊断精度很高，但对检查医生经验要求较高，且费用十分昂贵，因此不易推广；超声成像对软组织结构分辨率较高，能够实现实时成像和动态连续检测，且无痛苦与电离辐射伤害，但该方法对气体和骨骼传导深度有限，因此对肺、骨骼、肥胖者成像效果欠佳。
[0004]微波具有穿透性，通过反演组织介电常数判断病灶种类，可对人体进行定量成像。微波器件较为成熟，成本低，且可以集成为便携式设备。微波对人体没有电离辐射，可以对人体进行实时监控。但因传统逆散射成像算法中涉及到正问题迭代，导致对算力要求高，计算速度慢，因此不具备实时性。
[0005]目前市面上的成像系统，在定性成像判断上通过有经验的医生进行病灶划分，生成训练集，训练集获取困难大，数据获取不易；而基于微波的穿透式实时定量成像方案，可以直接通过计算获得病灶参数，摆脱人为判断，且训练集可通过模拟获得，保护患者数据。
[0006]为此，我们提出了一种基于深度学习算法的微波人体实时穿透式成像方法。

技术实现思路

[0007]针对现有技术的不足，本专利技术提供了一种基于深度学习算法的微波人体实时穿透式成像方法，以解决上述
技术介绍
中提出的问题。
[0008]为实现上述目的，本专利技术提供如下技术方案：一种基于深度学习算法的微波人体实时穿透式成像方法，包括以下步骤：
[0009]S1、首先确定成像系统参数并接收原始测试数据；
[0010]S2、通过线性算法获得只有线性信息的介电常数粗糙图像；
[0011]S3、基于注意力机制的机器学习网络将介电常数粗糙图像作为神经网络的输入；
[0012]S4、加入高次散射信息，得到真实介电常数的成像结果。
[0013]进一步优化本技术方案，所述S1中，确定的成像系统参数为散射参数，所述散射参数用于描述频域通道的频域特性，原始测试数据为散射场数据，所述散射场数据基于多发多收的阵列天线进行采集，所述散射参数基于成像系统中的矢量网络分析仪进行采集。
[0014]进一步优化本技术方案，所述阵列天线在目标成像区域四周等间距均匀环绕分布，阵列天线的个数根据成像分辨率需求选择为N，其中N的理论最小值为2，阵列天线中的天线为收发一体天线，当选取1号天线为发射天线，采集1号天线自身的输入反射系数，采集2～N号天线的传输效率参数。
[0015]进一步优化本技术方案，在电脑端读取成像系统中矢量网络分析仪采集到的数据，根据接收天线的情况进行存储；切换发射天线，采集剩余所有天线测量参数，形成N*N的数据矩阵，如下式(1.1)所示：
[0016][0017]根据成像系统中的矢量网络分析仪采集到的散射参数，对应转换到系统的电场分布，在天线分布确定的情况下，通过理论计算得到收发天线处的入射场根据矢量网络分析仪测试得到收发天线处的总电场由上述二者得到一个N*N的散射场数据作为系统输入，其中N为阵列天线的个数。
[0018]进一步优化本技术方案，所述S1中，从输入原始测试数据到得到介电常数分布的过程中，通过理论计算，得到对应位置的格林函数，用于在传统的散射场直接到成像结果的映射中加入物理意义，并将待测目标区域划分为M*M的网格。
[0019]进一步优化本技术方案，所述S2中，所述线性算法采用反向传播BPS成像算法，基于电磁波引起的感应电流是线性的，并忽略高阶散射效应的考虑，线性算法的推导如下所示：
[0020][0021]其中，算符H表示矩阵的共轭转置，χ是未确定的尺度系数，为了使尽可能准确，将价值函数定义为：
[0022][0023]为了取到价值函数的最小值，F
obj
(χ)对χ的一阶导数应为0，因此可以得到：
[0024][0025]于是可以得到而在待测目标区域M*M的每个像素点上，总电场等于入射场和计算所得散射场的和，表示为：
[0026][0027]对于每一个成像像素点，对比度和感应电流之间的关系可以表示为：
[0028][0029]对于所有的点，这是一个最小二乘的问题，最终得到介电常数的解：
[0030][0031]进一步优化本技术方案，所述S3中，机器学习网络需要以计算或者仿真数据作为训练集训练网络，并改变损失函数对成像进行优化。
[0032]进一步优化本技术方案，所述训练集的获取方式包括以下三种：
[0033]1)使用自编写矩量法MOM程序对模型进行理论计算，建立数据集；
[0034]2)利用电磁仿真软件，包括但不限于HFSS，CST，FEKO对系统进行仿真，将仿真电场结果作为训练集；
[0035]3)根据实际模型测试得到的电场值，作为训练集。
[0036]进一步优化本技术方案，所述S3中，机器学习网络采用基于语义分割的Vision Transformer模型，即ViT模型，该模型分为编码器与解码器两部分，首先将输入图像分割成块，将其映射为一个线性嵌入序列，加入位置编码后用编码器进行编码，再由Mask Transformer将编码器和类嵌入的输出进行解码，上采样后应用Argmax给每个像素一一分好类，输出最终的像素分割图。
[0037]进一步优化本技术方案，所述机器学习网络基于ViT模型可将低分辨介电常数图像的高分辨率信息补全到高分辨率，生成超分辨率图像，机器学习网络一旦完成训练，即可根据输入瞬间得到输出图像，从而基于Transformer的超分辨率方法实现实时成像。
[0038]与现有技术相比，本专利技术提供了一种基于深度学习算法的微波人体实时穿透式成像方法，具备以下有益效果：
[0039]1、该基于深度学习算法的微波人体实时穿透式成像方法，通过计算，仿真，实测完成训练集数据收集，利用线性算法得到粗糙的初始粗糙成像结果，基于深度学习，能够实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习算法的微波人体实时穿透式成像方法，其特征在于，包括以下步骤：S1、首先确定成像系统参数并接收原始测试数据；S2、通过线性算法获得只有线性信息的介电常数粗糙图像；S3、基于注意力机制的机器学习网络将介电常数粗糙图像作为神经网络的输入；S4、加入高次散射信息，得到真实介电常数的成像结果。2.根据权利要求1所述的一种基于深度学习算法的微波人体实时穿透式成像方法，其特征在于，所述S1中，确定的成像系统参数为散射参数，所述散射参数用于描述频域通道的频域特性，原始测试数据为散射场数据，所述散射场数据基于多发多收的阵列天线进行采集，所述散射参数基于成像系统中的矢量网络分析仪进行采集。3.根据权利要求2所述的一种基于深度学习算法的微波人体实时穿透式成像方法，其特征在于，所述阵列天线在目标成像区域四周等间距均匀环绕分布，阵列天线的个数根据成像分辨率需求选择为N，其中N的理论最小值为2，阵列天线中的天线为收发一体天线，当选取1号天线为发射天线，采集1号天线自身的输入反射系数，采集2～N号天线的传输效率参数。4.根据权利要求3所述的一种基于深度学习算法的微波人体实时穿透式成像方法，其特征在于，在电脑端读取成像系统中矢量网络分析仪采集到的数据，根据接收天线的情况进行存储；切换发射天线，采集剩余所有天线测量参数，形成N*N的数据矩阵，如下式(1.1)所示：根据成像系统中的矢量网络分析仪采集到的散射参数，对应转换到系统的电场分布，在天线分布确定的情况下，通过理论计算得到收发天线处的入射场根据矢量网络分析仪测试得到收发天线处的总电场由上述二者得到一个N*N的散射场数据作为系统输入，其中N为阵列天线的个数。5.根据权利要求1所述的一种基于深度学习算法的微波人体实时穿透式成像方法，其特征在于，所述S1中，从输入原始测试数据到得到介电常数分布的过程中，通过理论计算，得到对应位置的格林函数，用于在传统的散射场直接到成像结果的映射中加入物理意义，并将待测目标区域划分为M*M的网格。6.根据权利要求1所述的一种基于深度学习算法的微波人体实时穿透式成像方法，其特征在于，所述S2中，所述线性算法...

【专利技术属性】
技术研发人员：叶修竹，杜耐珂，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：