[发明专利]一种基于深度学习算法的微波人体实时穿透式成像方法

说明书

本发明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。

技术领域

本发明涉及医疗成像技术领域，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。

背景技术

现阶段较为成熟的医疗成像仪器主要有核磁共振成像(Magnetic ResonanceImaging,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。

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。

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。

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。

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。

发明内容

针对现有技术的不足，本发明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，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：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：

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。

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。