CN114708149A - 一种基于深度学习算法的微波人体实时穿透式成像方法 - Google Patents

一种基于深度学习算法的微波人体实时穿透式成像方法 Download PDF

Info

Publication number
CN114708149A
CN114708149A CN202210401949.7A CN202210401949A CN114708149A CN 114708149 A CN114708149 A CN 114708149A CN 202210401949 A CN202210401949 A CN 202210401949A CN 114708149 A CN114708149 A CN 114708149A
Authority
CN
China
Prior art keywords
imaging
real
deep learning
microwave
human body
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210401949.7A
Other languages
English (en)
Other versions
CN114708149B (zh
Inventor
叶修竹
杜耐珂
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202210401949.7A priority Critical patent/CN114708149B/zh
Publication of CN114708149A publication Critical patent/CN114708149A/zh
Application granted granted Critical
Publication of CN114708149B publication Critical patent/CN114708149B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/0507—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  using microwaves or terahertz waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Psychiatry (AREA)
  • Software Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

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。

Description

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。
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。
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：
Figure BDA0003600570500000031
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
Figure BDA0003600570500000032
根据矢量网络分析仪测试得到收发天线处的总电场
Figure BDA0003600570500000033
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。
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。
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
Figure BDA0003600570500000034
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：
Figure BDA0003600570500000035
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
Figure BDA0003600570500000036
尽可能准确，将价值函数定义为：
Figure BDA0003600570500000037
为了取到价值函数的最小值，Fobj(χ)对χ的一阶导数应为0，因此可以得到：
Figure BDA0003600570500000041
于是可以得到
Figure BDA0003600570500000042
而在待测目标区域M*M的每个像素点上，总电场
Figure BDA0003600570500000043
等于入射场
Figure BDA0003600570500000044
和计算所得散射场
Figure BDA0003600570500000045
的和，表示为：
Figure BDA0003600570500000046
对于每一个成像像素点，对比度
Figure BDA0003600570500000047
和感应电流
Figure BDA0003600570500000048
之间的关系可以表示为：
Figure BDA0003600570500000049
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：
Figure BDA00036005705000000410
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。
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：
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；
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；
3)根据实际模型测试得到的电场值，作为训练集。
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VisionTransformer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MaskTransformer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。
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。
与现有技术相比，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，具备以下有益效果：
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，能够实现高精度的实时反演成像，为搭建微波实时定性成像系统提供了有效的技术支持。
2、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。
附图说明
图1为本发明提出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的流程示意图；
图2为本发明提出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的步骤S1的数据采集示意图；
图3为本发明提出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的机器学习网络的示意图；
图4为本发明提出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的结果示意图。
具体实施方式
下面将结合本发明的实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
请参阅图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，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。
其中，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。如图2所示，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(N≥2，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S11参数(输入反射系数)，采集2～N号天线的S21参数(即天线的传输效率参数)。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：
Figure BDA0003600570500000061
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
Figure BDA0003600570500000062
根据矢量网络分析仪测试得到收发天线处的总电场
Figure BDA0003600570500000063
由上述二者得到一个N*N的散射场数据(N为收发天线个数)作为系统输入。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。
S2、通过线性算法获得只有线性信息的介电常数粗糙图像。
其中，所述线性算法采用反向传播BPS(Back-Propagation Scheme)成像算法，基于电磁波引起的感应电流
Figure BDA0003600570500000071
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：
Figure BDA0003600570500000072
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
Figure BDA0003600570500000073
尽可能准确，将价值函数定义为：
Figure BDA0003600570500000074
为了取到价值函数的最小值，Fobj(χ)对χ的一阶导数应为0，因此可以得到：
Figure BDA0003600570500000075
于是可以得到
Figure BDA0003600570500000076
而在待测目标区域M*M的每个像素点上，总电场
Figure BDA0003600570500000077
等于入射场
Figure BDA0003600570500000078
和计算所得散射场
Figure BDA0003600570500000079
的和，表示为：
Figure BDA00036005705000000710
对于每一个成像像素点，对比度
Figure BDA00036005705000000711
和感应电流
Figure BDA00036005705000000712
之间的关系可以表示为：
Figure BDA00036005705000000713
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：
Figure BDA0003600570500000081
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。
其中，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。
更进一步的，所述训练集的获取方式包括以下三种：
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；
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；
3)根据实际模型测试得到的电场值，作为训练集。
机器学习网络采用一种基于语义分割的Vision Transformer(ViT)模型。该模型分为编码器(Decoder)与解码器(Encoder)两部分。首先将输入图像分割成块(patches)，将其映射为一个线性嵌入序列，加入位置编码(Position Encoding)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。基于语义分割的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。神经网络一旦完成训练，即可根据输入瞬间得到输出图像，因此基于Transformer的超分辨率方法可以实现实时成像。
S4、网络训练完成后，输入采集到的数据，加入高次散射信息，得到真实介电常数的成像结果，实现高精度实时成像。
下表中展示利用此公开中的方式进行成像，较传统S-DBIM算法，在准确度和时间上，都有大幅提高。
Figure BDA0003600570500000091
因此，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，能够实现高精度的实时反演成像，为搭建微波实时定性成像系统提供了有效的技术支持。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。
实施例二：
线性算法在实施例一中以BPS(Back-Propagation Scheme,反向传播方法)算法为例，具体实施中对所出现的线性算法，在本实施例中包括但不局限于BA(BornApproximation，伯恩近似法)，RA(Rytov Approximation，Rytov近似法),MCC(majorcurrent coefficients，主电流系数法),MBA(Modified Born Approximation，改进型伯恩近似法),MCC+MBA(主电流系数和改进型伯恩近似法)等算法。
结合机器学习部分，实施例一中采用了基于Transformer的网络架构，在具体实施过程中，在本实施例中包括但不局限于使用基于GAN(生成对抗网络)架构的SR-GAN(超分辨率图像复原的生成对抗网络)网络，U-Net CNN(卷积神经网络)等。
本发明的有益效果是：
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，能够实现高精度的实时反演成像，为搭建微波实时定性成像系统提供了有效的技术支持。
2、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。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

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：
Figure FDA0003600570490000011
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
Figure FDA0003600570490000021
根据矢量网络分析仪测试得到收发天线处的总电场
Figure FDA0003600570490000022
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，所述线性算法采用反向传播BPS成像算法，基于电磁波引起的感应电流
Figure FDA0003600570490000023
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：
Figure FDA0003600570490000024
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
Figure FDA0003600570490000025
尽可能准确，将价值函数定义为：
Figure FDA0003600570490000026
为了取到价值函数的最小值，Fobj(χ)对χ的一阶导数应为0，因此可以得到：
Figure FDA0003600570490000027
于是可以得到
Figure FDA0003600570490000028
而在待测目标区域M*M的每个像素点上，总电场
Figure FDA0003600570490000029
等于入射场
Figure FDA00036005704900000210
和计算所得散射场
Figure FDA00036005704900000211
的和，表示为：
Figure FDA00036005704900000212
对于每一个成像像素点，对比度
Figure FDA0003600570490000031
和感应电流
Figure FDA0003600570490000032
之间的关系可以表示为：
Figure FDA0003600570490000033
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：
Figure FDA0003600570490000034
7.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。
8.根据权利要求7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，所述训练集的获取方式包括以下三种：
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；
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；
3)根据实际模型测试得到的电场值，作为训练集。
9.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。
10.根据权利要求9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。
CN202210401949.7A 2022-04-18 2022-04-18 一种基于深度学习算法的微波人体实时穿透式成像方法 Active CN114708149B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210401949.7A CN114708149B (zh) 2022-04-18 2022-04-18 一种基于深度学习算法的微波人体实时穿透式成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210401949.7A CN114708149B (zh) 2022-04-18 2022-04-18 一种基于深度学习算法的微波人体实时穿透式成像方法

Publications (2)

Publication Number Publication Date
CN114708149A true CN114708149A (zh) 2022-07-05
CN114708149B CN114708149B (zh) 2023-06-16

Family

ID=82174487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210401949.7A Active CN114708149B (zh) 2022-04-18 2022-04-18 一种基于深度学习算法的微波人体实时穿透式成像方法

Country Status (1)

Country Link
CN (1) CN114708149B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018099405A1 (zh) * 2016-11-30 2018-06-07 京东方科技集团股份有限公司 人脸分辨率重建方法、重建系统和可读介质
AU2020103905A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning
CN113538693A (zh) * 2021-07-06 2021-10-22 太原理工大学 一种基于深度学习的微波乳腺图像重建方法
CN114255293A (zh) * 2021-12-22 2022-03-29 杭州电子科技大学 一种基于深度学习求解高度非线性逆散射问题的快速成像方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018099405A1 (zh) * 2016-11-30 2018-06-07 京东方科技集团股份有限公司 人脸分辨率重建方法、重建系统和可读介质
AU2020103905A4 (en) * 2020-12-04 2021-02-11 Chongqing Normal University Unsupervised cross-domain self-adaptive medical image segmentation method based on deep adversarial learning
CN113538693A (zh) * 2021-07-06 2021-10-22 太原理工大学 一种基于深度学习的微波乳腺图像重建方法
CN114255293A (zh) * 2021-12-22 2022-03-29 杭州电子科技大学 一种基于深度学习求解高度非线性逆散射问题的快速成像方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHUN WEI: "Deep Learning Schemes for Full-Wave Nonlinear Inverse Scattering Problems", 《IEEE》, pages 1 - 12 *
胡永忠等: "一种快速微波断层成像方法的研究", 《计算机应用研究》, no. 02, pages 753 - 755 *

Also Published As

Publication number Publication date
CN114708149B (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
Bisio et al. Variable-exponent Lebesgue-space inversion for brain stroke microwave imaging
Cai et al. Four‐dimensional magnetic resonance imaging (4D‐MRI) using image‐based respiratory surrogate: a feasibility study
US20120302880A1 (en) System and method for specificity-based multimodality three- dimensional optical tomography imaging
Winters et al. Estimating the breast surface using UWB microwave monostatic backscatter measurements
Ostadrahimi et al. Enhancement of Gauss–Newton inversion method for biological tissue imaging
Greenleaf et al. Measurement of spatial distribution of refractive index in tissues by ultrasonic computer assisted tomography
CN100469321C (zh) 三维超声波检测方法
CN104077791B (zh) 一种多幅动态对比度增强核磁共振图像联合重建方法
Fedeli et al. Microwave detection of brain injuries by means of a hybrid imaging method
Opieliński et al. Imaging results of multi-modal ultrasound computerized tomography system designed for breast diagnosis
Haynes et al. Large-domain, low-contrast acoustic inverse scattering for ultrasound breast imaging
US9111334B2 (en) Dielectric encoding of medical images
Dachena et al. Microwave imaging for the diagnosis of cervical diseases: A feasibility analysis
Perez-Liva et al. Speed of sound ultrasound transmission tomography image reconstruction based on Bézier curves
Alam et al. UWB microwave imaging for non-invasive anomaly detection in human lung and possible application in COVID-19 diagnosis: A review
Sun et al. A low-cost compressive thermoacoustic tomography system for hot and cold foreign bodies detection
Jiang et al. A real‐time freehand 3D ultrasound imaging method for scoliosis assessment
CN114708149B (zh) 一种基于深度学习算法的微波人体实时穿透式成像方法
Miyakawa et al. Imaging capability of an early stage breast tumor by CP-MCT
Dai et al. A novel method to detect interface of conductivity changes in magneto-acousto-electrical tomography using chirp signal excitation method
Curtis Factors affecting image quality in near-field ultra-wideband radar imaging for biomedical applications
Pavlov et al. Towards in-vivo ultrasound-histology: Plane-waves and generative adversarial networks for pixel-wise speed of sound reconstruction
Huang et al. Measurement of quasi-static 3-D knee joint movement based on the registration from CT to US
Azhari et al. Volumetric imaging with ultrasonic spiral CT
Islam et al. Wearable microwave imaging sensor for deep tissue real-time monitoring using a new loss-compensated backpropagation technique

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant