[发明专利]一种基于深度学习的微波乳腺图像重建方法

说明书

本发明公开了一种基于深度学习的微波乳腺图像重建方法，该神经网络能够从3GHz的天线阵列获取的测量微波信号转换成图像。本发明构建第一自编码器网络，用矢量表示高分辨率图像；然后构建第二自编码器网络，旨在将微波信号映射到压缩特征（矢量）。将两个自编码器网络组合成一个完整的复合自编码器网络进行重建。这个方法降低了训练用于逆散射的深度学习网络的难度。仿真数据集由威斯康星大学乳腺图像数据库的纵向和横向切片组成。和传统变形伯恩迭代方法和对比源反演方法相比，能够几乎实时进行乳腺成像且成像效果良好。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种基于深度学习的微波乳腺图像重建方法。

背景技术

微波乳腺成像技术通常分为产生乳腺内部结构定性图像的技术和产生乳腺组织复介电常数定量图像的技术。定量技术利用了正常乳腺组织(如皮肤、脂肪和纤维腺)和癌性肿瘤的不同介电特性来重建乳腺内部的介电轮廓以检测病理状况。由微波能量照射乳腺组织产生的散射场数据通过数据采集装置来获得。从收集到的散射场数据中，重建乳腺组织的介电常数。在数学上，通过解决逆问题来完成散射场数据的反演，以重建介电常数图像。重建模型越一般，反问题的求解就越困难，经常导致不适定性。不适定性意味着可能没有或有很多可能导致数据的属性分布(即数学反问题解的不存在和非唯一性)，并且数据的微小变化可能导致推断的属性分布任意大的变化(即解的不稳定性)。

解决与定量微波乳腺成像相关的不适定逆问题的主要方法是计算量大的迭代方法。传统方式是使用不同的迭代方法来解决这个问题，但存在无法实时成像，存在伪影问题。

神经网络最近与微波乳腺图像重建技术相结合，大多数都使用了简单形状的电磁参数来表示散射体。而且使用深度卷积神经网络的文章中大多数没有提出直接反演方法，它们不是直接从接收器收集的数据移动到轮廓估计，它们通常从通过传统方法获得原始图像开始执行超分辨率恢复。最常用的技术之一是通过初步操作获得定量恢复，例如从散射场数据到对比源反演/感应电流近似获得先验信息，也可采用基于对比度的神经网络结合传统的基于子空间优化方法，然后将得到的数据训练U-Net网络，重建乳腺图像。

发明内容

本发明克服现有技术存在的不足，所要解决的技术问题为：传统方法中存在的计算量大、存在伪影、无法实时成像的技术问题，同时解决先前的许多研究中由均匀圆柱形或球形组成模型，这些不能准确模拟乳腺复杂性的问题，以及需要先通过传统方法获得先验信息无法直接进行反演的问题。

本发明解决其技术问题所采用的技术方案是：构造一种基于深度学习的微波乳腺图像重建方法，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。

其中，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。