[发明专利]一种基于深度学习的微波乳腺图像重建方法

权利要求书

1.一种基于深度学习的微波乳腺图像重建方法，其特征在于，包括：

S1、对在线存储库提供的四类九种乳腺模型进行纵向和横向切片，得到3640张乳腺的介电常数图像；

S2、将全部乳腺介电常数图像放在用矩量法生成的数值散射场的感兴趣区域内，得到的散射数据阵列；

S3、将额外的高斯白噪声加入散射数据阵列中，合成噪声矩阵，视为测量的散射场，用于重建乳腺的介电常数图像；

S4、搭建复合自编码器网络，将介电常数图像和合成的噪声矩阵作为自编码器网络输入，输出重建的乳腺介电常数图像；

步骤S4中，搭建的自编码器网络的步骤包括：

构建第一自编码器网络，将乳腺介电常数图像作为第一自编码器网络的编码器输入，从第一自编码器网络的解码器输出计算得到的压缩权重；

构建第二自编码器网络，将合成的噪声矩阵作为第二自编码器网络的编码器输入，同时将由第一自编码器网络的解码器计算得到的压缩权重输入第二自编码器网络的解码器，由第二自编码器网络的解码器输出作为重建的乳腺介电常数图像。

2.根据权利要求1所述的基于深度学习的微波乳腺图像重建方法，其特征在于，第一自编码器网络由5个卷积层组成，在每个卷积层中步长为2，在第一层滤波器尺寸为6×6，第二层和第三层滤波器尺寸为5×5，第四层滤波器尺寸是4×4，第五个滤波器尺寸为7×7，编码器中不使用填充；解码器从两个全连接层开始，分别包含2048个神经元和16384个神经元，后面是3×3的两个卷积层，最后是一个反卷积层；目的是在低维空间中找到原始真实图像的良好表示，即原始大图像的压缩表示。

3.根据权利要求2所述的基于深度学习的微波乳腺图像重建方法，其特征在于，第二自编码器网络包括五个卷积层和两个全连接层；前三个卷积层的滤波器大小都是5×5，步长为1，不使用填充；第一个全连接层的神经元有2048个，第二层有256个；通过第一自编码器网络训练形成的解码器来形成一个完整的结构。

4.根据权利要求1所述的基于深度学习的微波乳腺图像重建方法，其特征在于，将深度学习重建的乳腺图像和传统方法变形伯恩迭代方法和对比源反演方法进行比较。