JP7397067B2 - 医療用イメージングのための装置及び処理 - Google Patents

Description

本発明は、医療用イメージングの分野に関し、特に、信号処理及び電磁計算技術を用いて、組織の内部の異常の存在及び部位を検出し、そのような異常を分類するための医療用イメージングの分野に関する。

超音波、コンピュータ断層撮影法（ＣＴ）、核磁気共鳴映像法（ＭＲＩ）、及び核医学イメージングなどの医療用イメージング技術は、人体の内部の特徴のイメージングを行うための極めて強力な技術であるが、それらの多数の欠点により適用可能性が制限される。例えば、これらの技術は、高価な機器を必要とするので、概して、田舎又は遠隔の医療センターにおいて利用可能ではない。実際に、世界保健機構（ＷＨＯ）によれば、世界の人口の半分よりも多くの人々が画像診断へのアクセスをもたない。さらに、さまざまな病気の検出及び連続的なモニタリングのための低コストかつ安全なイメージングシステムに対する普遍的な必要性が存在する。Ｘ線などの電離放射線への曝露を制限する必要性に起因して、現在利用可能な大部分の医療用イメージングシステムは、頻繁なモニタリングには使用可能ではない。さらに、ＭＲＩ及び他の大型医療用イメージングシステムのかさばる静的な構造及び高いコストは、しばしば、定期的かつ短期の活動モニタリングを必要とする病気のモニタリングからそれらを排除し、また、これにより、現場でのイメージング及び評価の目的で医療補助員によってそれらが使用されることは実際的でない。

さらに、従来技術の医療用イメージングツールは、概して、緊急の現場での診断には適していない。例えば、脳卒中は、世界的に、身体障害及び死亡の主要因のうちの１つである。オーストラリア卒中財団機構（Australian Stroke Foundation Organization）によれば、２０１７年には、５５８３１人のオーストラリア人が９分ごとに生命をおびやかす卒中にかかり、何もしなければ、この数値は、２０５０年までに、４分ごとに１回の卒中まで増大する。同様に、脳損傷の場合、患者を救うためには、多くの場合、迅速な診断が不可欠である。深刻な脳損傷は、外傷性及び後天性の脳損傷を含む。これらは、外力（落下又は事故など）又は内部発生（卒中又は腫瘍など）によってそれぞれ引き起こされる。脳損傷を有する患者が即時の医療上の注意を要することは周知である。脳損傷の発症から、毎秒何百万個もの脳細胞が死に、その結果、永久的な損傷を引き起こし、一部の場合には死亡を引き起こす。従って、そのような損傷の迅速な現場での診断のために、迅速かつ携帯型の診断システムが必要とされる。

電磁イメージングは、医療用途のための魅力的な技術であり、費用効率が高く安全な方法で人体の内部の視覚的表現を生成する潜在能力を有する。電磁気工学の観点からは、人体は、互いに異なる誘電特性を有する特徴及び組織によって特徴付けられる、電磁気的に不均質な媒体である。さらに、損傷した組織は、健康な組織に比較して、異なる値の誘電特性、すなわち誘電率及び導電率を有する。隣接した健康な組織に比較して高い誘電率値を有する損傷した組織が、マイクロ波周波数の電磁波に曝される場合、波の大部分は反射されて放射線源に戻る。マイクロ波医療用イメージングシステムは、ヒトの頭部など、イメージングの対象物へ電磁波を送信するために利用可能である。頭部の内部の損傷を受けた組織（例えば、特に、脳内の出血又は血餅の部位）によって、電磁的特性の変化に起因して反射されたマイクロ波信号は、本システムによって受信及び測定される。測定された信号、を表すデータを処理して、異常の部位及び／又は誘電特性を推定することができ、また、損傷を受けた組織を示す頭部の二次元又は三次元画像を生成することができる。

国際特許出願第ＰＣＴ／ＡＵ２０１８／０５０４２５号

G. Zhu, Y. Li, and P. P. Wen, "Epileptic seizure detection in EEGs signals using a fast weighted horizontal visibility algorithm", Computer methods and programs in biomedicine, vol. 115, pp. 64-75, 2014.

データ処理ステップは、電磁イメージングシステムにおける重要な役割を果たす。散乱した電磁信号の測定結果から医療上の目標物を検出するために、様々なイメージング技術が使用されてきた。それらの技術は、一意的な解をもたない非線形方程式であって、入力データに連続的に依存しないかもしれない非線形方程式を解くことにより組織の誘電特性を推定するか（断層撮影）、又は、時間領域のレーダに基づく技術を用いて目標物の部位を発見することを試みる。断層撮影法に基づく技術は、その時間がかかる性質に起因して、ほとんど、単一周波数信号又は狭帯域のマルチ周波数信号にのみ適用可能であり、従って、脳損傷の検出など、迅速な診断が必要である医療上の緊急事態での使用には適していない。代替として、レーダに基づくイメージングでは、イメージング領域の散乱プロファイルは、二次元又は三次元画像の上にマッピングされる。この方法は、必要なデータ処理が断層撮影法の場合よりも簡単かつ高速であるので、高分解能のために超広周波数帯域を用いる場合により適している。しかしながら、共焦点の時空間ビームフォーミングＭＩＳＴなどの現在のレーダイメージング法と、適応ビームフォーミングイメージング法とは、遅延和（delay-and-sum：ＤＡＳ）に基づく処理技術を利用し、これらは外部レイヤ反射及び内部レイヤ屈折の影響を受けやすく、これにより、誤った検出をもたらす可能性がある。さらに、互いに異なる複数の周波数における組織に対する信号浸透の変動は、それらの遅延計算の有効性を制限し、従って、結果として生じる画像の精度を制限する。これらの問題点を考慮して、人体の不均質な多層構造のマルチ反射及び屈折に起因する、断層撮影技術の非一意的かつ計算コストが高い解の影響又は不正確な処理の影響を受けない、高速なイメージング処理が必要とされる。

従って、従来技術の１つ又は複数の問題点を克服又は緩和すること、あるいは少なくとも有用な代替物を提供することが望まれる。

本発明のいくつかの実施形態によれば、医療用イメージングのための処理が提供される。上記処理は、
（ｉ）互いに異なる複数の信号周波数において、被験者の身体部分の組織から、電磁信号の散乱のモノスタティック又はマルチスタティック測定値を表す散乱データを受信することを含み、上記電磁信号は１つ又は複数のアンテナから放射され、対応する散乱信号は上記１つ又は複数のアンテナによって測定され、
上記処理は、
（ｉｉ）上記被験者の身体部分の内部における組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の周波数のそれぞれについて、上記散乱データを処理して電界電力値を計算することと、
（ｉｉｉ）上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力値を上記複数の周波数及び上記複数のアンテナにわたって合計して、上記身体部分の内部における組織の画像を生成することと、
（ｉｖ）上記身体部分の内部における組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新することとを含み、
上記更新されたモデルは、上記被験者の身体部分の内部における組織の画像として出力される。

いくつかの実施形態では、上記測定はマルチスタティック測定であり、上記電磁信号は、上記身体部分の周囲に配置された複数のアンテナのそれぞれから選択的に放射され、上記対応する散乱信号は、上記複数のアンテナのそれぞれによって測定される。

上記身体部分は頭部であってもよく、上記組織は上記被験者の脳組織を含む。

いくつかの実施形態では、上記処理は、
（ｖ）機械学習を用いて上記被験者のバイオデータを処理して、テンプレートのライブラリから、上記被験者に最も適合したものとして基礎テンプレートを選択することを含み、上記テンプレートは、各被験者の身体部分の組織の各モデルを表し、上記被験者のバイオデータは、少なくとも、上記被験者の年齢、性別、体重、及び民族を表し、
上記処理は、
（ｖｉ）上記選択された基礎テンプレートと、上記被験者の身体部分の外部寸法及び／又は形状の測定値とを処理して、上記被験者の身体部分の測定値と一致するように上記選択されたテンプレートの空間座標を幾何学的に変換することにより、上記被験者の身体部分の組織のモデルを表すテンプレートデータを生成することを含む。

いくつかの実施形態では、上記散乱データを処理するステップは、
（ｖｉｉ）上記散乱データを正規化し、上記散乱データからクラッターを除去するステップと、
（ｖｉｉｉ）上記正規化されてクラッターを除去した散乱データを処理して、上記電界電力値を計算するステップとを含む。

いくつかの実施形態では、上記散乱データからクラッターを除去することは、上記測定された電磁信号の平均値を決定し、各周波数において各信号測定値から上記平均値を減算することで、上記散乱データから強い反射及びクラッターを除去することを含む。

いくつかの実施形態では、上記処理は、上記身体部分なしの場合におけるイメージング領域であって、整合媒体の誘電特性を有する材料又は平均身体部分ファントムによって充填されたイメージング領域の測定された散乱パラメータにより、上記身体部分の測定された散乱パラメータを除算することで、上記散乱データを較正することを含む。

いくつかの実施形態では、上記処理は、
周波数領域信号を時間領域信号に変換し、上記時間領域信号を対応するグラフにマッピングすることと、
上記グラフのノード次数及び次数シーケンス特性を決定することと、
グラフ次数相互情報を計算して複数のグラフの類似性を評価することと、
グラフ次数相互情報の特徴及びそれらの対応するクラスラベルを含むトレーニング集合を用いて分類器をトレーニングし、上記被験者の身体部分の内部における組織について計算されたグラフに対して上記分類器を適用することとにより、
上記身体部分の内部における異常な組織を出血性又は虚血性として分類することを含む。

いくつかの実施形態では、上記処理は、互いに対向したアンテナの対応するペアに係る信号を比較することで、上記被験者の脳の互いに異なる半球の信号間の有意な差であって、上記半球のうちの一方における異常を示す差を識別することを含む。

本発明のいくつかの実施形態によれば、医療用イメージングシステムの少なくとも１つのプロセッサによって実行されたとき、上述した処理のうちのいずれか１つを上記少なくとも１つプロセッサに実行させる、プロセッサ実行可能な命令を格納したコンピュータ可読記憶媒体が提供される。

本発明のいくつかの実施形態によれば、上述した処理のうちのいずれか１つを実行するように構成された構成要素を含む、医療用イメージングのための装置が提供される。

本発明のいくつかの実施形態によれば、入力及び画像生成構成要素を含む医療用イメージングのための装置が提供される。上記装置において、
（ｉ）上記入力は、互いに異なる複数の信号周波数において、被験者の身体部分の組織から、電磁信号の散乱のモノスタティック又はマルチスタティック測定値を表す散乱データを受信し、上記電磁信号は１つ又は複数のアンテナから放射され、対応する散乱信号は上記１つ又は複数のアンテナによって測定され、
（ｉｉ）上記画像生成構成要素は、
上記被験者の身体部分の内部における組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の周波数のそれぞれについて、上記散乱データを処理して電界電力値を計算し、
上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力値を上記複数の周波数及び上記複数のアンテナにわたって合計して、上記身体部分の内部における組織の画像を生成し、
上記身体部分の内部における組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新するように構成され、
上記更新されたモデルは、上記被験者の身体部分の内部における組織の画像として出力される。

いくつかの実施形態では、上記測定はマルチスタティック測定であり、上記電磁信号は、上記身体部分の周囲に配置された複数のアンテナのそれぞれから選択的に放射され、上記対応する散乱信号は、上記複数のアンテナのそれぞれによって測定される。

いくつかの実施形態では、上記身体部分は頭部であり、上記組織は上記被験者の脳組織を含む。

いくつかの実施形態では、上記装置は、
機械学習を用いて上記被験者のバイオデータを処理して、テンプレートのライブラリから、上記被験者に最も一致したものとして基礎テンプレートを選択し、
上記選択された基礎テンプレートと、上記被験者の身体部分の外部寸法及び／又は形状の測定値とを処理して、上記被験者の身体部分の測定値と一致するように上記選択されたテンプレートの空間座標を幾何学的に変換することにより、上記被験者の身体部分の組織のモデルを表すテンプレートデータを生成するように構成されたテンプレート生成器を含み、
上記テンプレートは、各被験者の身体部分の組織の各モデルを表し、上記被験者のバイオデータは、少なくとも、上記被験者の年齢、性別、体重、及び民族を表す。

本明細書では、被験者の身体部分の組織のイメージングを行うための処理についても説明する。上記処理は、
（ｉ）機械学習を用いて上記被験者のバイオデータを処理して、テンプレートのライブラリから、上記被験者に最も一致したものとしてテンプレートを選択することを含み、上記テンプレートは、各被験者の身体部分の組織の各モデルを表し、上記被験者のバイオデータは、少なくとも、上記被験者の年齢、性別、体重、及び民族を表し、
上記処理は、
（ｉｉ）上記選択されたテンプレートと、上記被験者の身体部分の外部寸法及び／又は形状の測定値とを処理して、上記被験者の身体部分の測定値と一致するように上記選択されたテンプレートの空間座標を幾何学的に変換することにより、上記被験者の身体部分の組織のモデルを表すテンプレートデータを生成することと、
（ｉｉｉ）互いに異なる複数の信号周波数において、上記被験者の身体部分の組織から散乱するマイクロ波のマルチスタティック測定値を表す散乱データを受信することと、
（ｉｖ）上記散乱データを正規化し、上記散乱データからクラッターを除去することと、
（ｖ）上記被験者の身体部分の組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の周波数のそれぞれについて、上記正規化されかつクラッターを除去した散乱データを処理して電界電力密度を計算することと、
（ｖｉ）上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力密度を上記複数の周波数にわたって合計して、上記被験者の身体部分の組織の画像を生成することと、
（ｖｉｉ）上記被験者の身体部分の組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新することとを含み、
上記更新されるモデルは、少なくとも上記被験者の身体部分の組織の画像として出力される。

いくつかの実施形態では、上記被験者の身体部分は、上記被験者の頭部である。

本明細書では、被験者の脳組織のイメージングを行うための処理についても説明する。上記処理は、
（ｉ）機械学習を用いて上記被験者のバイオデータを処理して、テンプレートのライブラリから、上記被験者に最も一致したものとしてテンプレートを選択することを含み、上記テンプレートは、各被験者の頭部の組織の各モデルを表し、上記被験者のバイオデータは、少なくとも、上記被験者の年齢、性別、体重、及び民族を表し、
（ｉｉ）上記選択されたテンプレートと、上記被験者の頭部の外部寸法及び／又は形状の測定値とを処理して、上記被験者の頭部の測定値と一致するように上記選択されたテンプレートの空間座標を幾何学的に変換することにより、上記被験者の頭部の組織のモデルを表すテンプレートデータを生成することと、
（ｉｉｉ）互いに異なる複数の信号周波数において、上記被験者の頭部の組織から散乱するマイクロ波のマルチスタティック測定値を表す散乱データを受信することと、
（ｉｖ）上記散乱データを正規化し、上記散乱データからクラッターを除去することと、
（ｖ）上記被験者の頭部の組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の周波数のそれぞれについて、上記正規化されかつクラッターを除去した散乱データを処理して電界電力密度を計算することと、
（ｖｉ）上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力密度を上記複数の周波数にわたって合計して、上記被験者の頭部の組織の画像を生成することと、
（ｖｉｉ）上記被験者の頭部の組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新することとを含み、
上記更新されるモデルは、少なくとも上記被験者の頭部の組織の画像として出力される。

本明細書では、被験者の医療用イメージングのための処理についても説明する。上記処理は、
（ｉ）互いに異なる複数の信号周波数において、上記被験者の組織から、電磁信号の散乱のマルチスタティック測定値を表す散乱データを受信することと、
（ｉｉ）上記被験者の組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の周波数のそれぞれについて、上記散乱データを処理して電界電力密度を計算することと、
（ｉｉｉ）上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力密度を上記複数の周波数にわたって合計して、上記被験者の組織の画像を生成することと、
（ｉｖ）上記被験者の組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新することとを含み、
上記更新されるモデルは、上記被験者の組織の画像として出力される。

いくつかの実施形態では、上記組織は、被験者の脳組織を含む。

本発明の実施形態に係る電磁的医療用イメージングシステムの概略図である。 図１のシステムの分析構成要素のブロック図である。 本発明の実施形態に係る電磁的医療用イメージング処理のフロー図である。 図３のイメージング処理の較正処理の較正モデルのブロック図である。 較正処理のための結合媒体で充填されたアンテナアレイの概略図である。 図３のイメージング処理のテンプレート生成処理のフロー図である。 図３のイメージング処理のテンプレート生成処理のフロー図である。 図３のイメージング処理における、患者の特定の頭部テンプレートからの融合画像の生成を示すフロー図である。 イメージング処理における、ＭＲＩからＥＭへの変換処理のフロー図である。 図３のイメージング処理における画像生成処理のフロー図である。 図２の分析構成要素におけるビーモグラフィー構成要素の機能ブロック図である。 図７の画像生成処理におけるビーモグラフィー処理のフロー図である。 送信アンテナからイメージング領域へのマイクロ波信号の送信と、イメージング領域の内部におけるマイクロ波信号の散乱と、受信アンテナによる散乱信号の検出とを示す概略図である。 イメージング処理における分類処理の異なる部分又はサブ処理を示し、分類及び位置決めの前における、分類処理のデータ処理及び分析ステップのフロー図である。 イメージング処理における分類処理の異なる部分又はサブ処理を示し、図１１のステップに続く分類のフロー図である。 イメージング処理における分類処理の異なる部分又はサブ処理を示し、図１１に続く位置決めステップのフロー図である。 イメージング処理における分類処理の異なる部分又はサブ処理を示し、本システムによって発生された時系列信号のグラフである。 イメージング処理における分類処理の異なる部分又はサブ処理を示し、本システムによって発生された周波数領域信号のグラフである。 イメージング処理における分類処理の異なる部分又はサブ処理を示し、（ａ）及び（ｂ）はそれぞれマイクロ波信号のグラフ及びその複雑なネットワークグラフである。 イメージング処理における分類処理の異なる部分又はサブ処理を示し、最も重い差動信号ペアが卒中の目標物と交差することを示す概略図である。 イメージング処理における分類処理の異なる部分又はサブ処理を示し、分類処理における位置決めステップのフロー図である。 イメージング処理における分類処理の異なる部分又はサブ処理を示し、デューク（Duke）卒中脳モデルからの出血モデルの画像を含む。 イメージング処理における画像融合処理を示す。 複数のアンテナによって包囲された被験者の頭部の横断面を上から見た概略図であって、被験者の脳のどちらの半球が関心対象の特徴（血塊など）を含むかを識別する処理ステップを示し、２つの候補交差点（Ｌ０，Ｒ０）が左半球及び右半球にそれぞれ存在し、第５のアンテナからＬ０を通ってＲ１に至り、また、Ｒ２アンテナはＬ０及びＲ０から遠く離れた隣接アンテナであり、その一方、第５のアンテナから離れたＲ０の近くを通って第１３のアンテナからＬ１に至り、Ｌ２アンテナはＬ０及びＲ０から遠く離れている。

本発明のいくつかの実施形態は、添付図面を参照して、例示としてのみ、以下に説明される。

本明細書で説明する電磁イメージングシステム及び処理は、目標物の内部構造の画像を安全な方法で迅速に生成することができる。説明したシステム及び処理は、ヒトの被験者（特に、ヒトの脳の内部）における内部損傷及び／又は病気を検出及び特徴付けることを第１の目的として開発され、本明細書ではそのコンテキストで説明しているが、本システム及び処理の多数の態様が、人体の他の部分及び他の生物にも適用可能であり、また、生きていない又は無生物の対象物にさえ適用可能であることが理解されるべきである。

図１に示すように、医療用イメージングのための、特に脳損傷の検出のためのシステムは、アンテナアレイと、ベクトルネットワークアナライザ（vector network analyser：ＶＮＡ）又は送受信機１０４と、分析構成要素１０６とを含むアンテナアセンブリ又はプラットフォーム１０２を含む。説明した実施形態では、アンテナアセンブリ又はプラットフォーム１０２は、図１に示すように、イメージングの対象となる脳を有するヒト被験者の頭部に配置される。アンテナプラットフォーム１０２は、被験者の周囲に配置された複数のアンテナからなるアレイを含み、これにより、被験者の頭部に向けてかつ頭部を介して散乱されるマイクロ波周波数の電磁波又は信号を放射するようにアレイの各アンテナに選択的にエネルギーを与えることができ、また、対応する散乱信号が、対応する信号を送信したアンテナを含む、アレイのアンテナのすべてによって検出される。参照の便宜上、アレイの各アンテナに対応するマイクロ波信号を逐次に送信させ、アンテナのすべてを用いて対応する散乱信号を受信する処理全体を、「スキャン」と呼ぶ。

当業者には明らかであるように、ベクトルネットワークアナライザ（ＶＮＡ）１０４は、前述したようにアンテナにエネルギーを与えて、アンテナからの対応する信号を、「散乱パラメータ」又は「Ｓパラメータ」として当該技術において知られた形式で散乱マイクロ波の振幅及び位相を表すデータ（本明細書では「散乱」データと呼ぶ）として記録する。ＶＮＡ１０４は、このデータを処理のために分析構成要素１０６に送り、イメージングにより処理された対象物の内部特徴（例えば、脳血餅、出血部位、及び他の特徴）の画像を生成し、それらの特徴を（例えば脳血餅又は出血部位として）分類する。説明した実施形態では、アンテナを起動して０．５～４ＧＨｚの周波数帯にわたって電磁信号を送信し、かつ、それらのアンテナから散乱信号を受信するために、１００ｄＢより大きいダイナミックレンジ及び－１００ｄＢｍより小さいノイズフロアを有するＶＮＡが使用される。

説明した実施形態の分析構成要素１０６は、（図１に示すように）コンピュータの形態を有しているが、他の実施形態ではそうでなくてもよい。図２に示すように、分析構成要素１０６は、６４ビットのインテルアーキテクチャコンピュータシステムであり、分析構成要素１０６によって実行される処理は、コンピュータシステムに関連付けられた不揮発性（例えば、ハードディスク又はソリッドステートドライブ）記憶装置２０４に格納された１つ又は複数のソフトウェアモジュール２０２のプログラミング命令として実装される。しかしながら、これらの処理の少なくとも一部は、代替として、例えば、１つ又は複数の専用のハードウェア構成要素（特定用途向け集積回路（application-specific integrated circuit：ＡＳＩＣ）として、及び／又は、１つ又は複数のフィールドプログラマブルゲートアレイ（field programmable gate array：ＦＰＧＡ）のための構成データとして実装可能であることは明らかである。

分析構成要素１０６は、ランダムアクセスメモリ（ＲＡＭ）２０６、少なくとも１つのプロセッサ２０８、及び外部インターフェース２１０，２１２，２１４を含む標準的なコンピュータ構成要素を含み、これらのすべてはバス２１６によって相互接続される。外部インターフェースは、ユニバーサルシリアルバス（ＵＳＢ）インターフェース２１０、ネットワークインターフェースコネクタ（ＮＩＣ）２１２、ディスプレイアダプタ２１４を含む。ＵＳＢインターフェース２１０のうちの少なくとも１つは、キーボード２１８と、マウス２１９などのポインティングデバイスとに接続される。ＮＩＣ２１２は、分析構成要素１０６をインターネット２２０などの通信ネットワークに接続する。ディスプレイアダプタ２１４は、ＬＣＤパネルディスプレイ２２２などのディスプレイアダプタ２１４（それはディスプレイ装置に接続される。

分析構成要素１０６は、Ｌｉｎｕｘ（登録商標）又はＭｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ（登録商標）などのオペレーティングシステム２２４を含む、多数の標準的なソフトウェアモジュール２２６～２３０も含む。説明された実施形態では、分析構成要素１０６はまた、http://www.apache.orgにおいて入手可能であるＡｐａｃｈｅなどのウェブサーバソフトウェア２２６を含み、また、http://www.php.netにおいて入手可能であるＰＨＰ又はマイクロソフトＡＳＰなどのスクリプト言語サポート２２８を含み、また、http://www.mysql.comにおいて入手可能であるＭｙＳＱＬ（登録商標）などの構造化照会言語（ＳＱＬ）サポート２３０を含む。ＳＱＬサポート２３０により、データをＳＱＬデータベース２３２に格納し、また、ＳＱＬデータベース２３２からデータを検索することを可能にする。

ウェブサーバ２２６、スクリプト言語モジュール２２８、及びＳＱＬモジュール２３０はともに、標準的なウェブブラウザソフトウェアを備えた標準的な計算装置を用いるインターネット２２０のユーザが、分析構成要素１０６にアクセスすることと、特に、データベース２３２にデータを提供しかつデータベース２３２からデータを受信することとを可能にする一般的な能力を分析構成要素１０６に提供する。

しかしながら、分析構成要素１０６によってそのようなユーザに提供される特定の機能は、処理を実装する１つ又は複数のソフトウェアモジュール２０２を含む、ウェブサーバ２２６によってアクセス可能なスクリプトと、マークアップ言語（例えば、ＨＴＭＬ、ＸＭＬ）スクリプト、ＰＨＰ（又はＡＳＰ）、及び／又はＣＧＩスクリプト、画像ファイル、スタイルシートなどを含む、他の任意のサポートスクリプト及びデータ２３４とによって提供されることが当業者には理解されるであろう。

本明細書で説明するシステムは、図３に示すように、本明細書では脳イメージングの処理と呼ぶ、医療用イメージング処理を実行する。この処理は、ステップ３０２において、アンテナプラットフォーム１１６のための較正データを生成することで開始する。本システムによって実行される画像再構成及び分類処理は、アンテナから収集された高忠実度データに依存する。しかしながら、任意の現実のシナリオでは、本システムは、互いに異なる長さ及び曲げプロファイルを有し、互いに異なるアダプタ及びアンテナバランに接続された複数の無線周波（ＲＦ）ケーブルを用いる。さらに、複数のアンテナ自体が、１）製造時の変動／誤差と、２）アンテナが埋め込まれた媒体の不安定な誘電特性とに起因して、常にわずかに異なる。本システム内の互いに異なる複数のＲＦチャネル（ケーブル、アダプタ、及びアンテナを含む）間におけるそのような不確かな変動は、信号の振幅及び位相の両方に差をもたらし、最終的に測定誤差を生じさせ、イメージングの再構成／分類の検出、分解能、及び信頼性を低下させる。

これらの変動及び歪みの影響を緩和するために、本システムは、周波数領域の較正構成要素と、測定誤差を除去するか少なくとも低減する、対応するデータ較正処理とを含む。
実際に、較正処理は、理想的には、被験者の各スキャンの直前に実行されるが、代替として、より低い頻度で、例えば毎日の開始時にのみ実行されてもよい。

ＶＮＡ１０４がそのＮ個のポートのすべてについて適切に較正されていると仮定すると、本システムのための較正モデルは、図３ａに示すように、特定の伝送線路誤差モデル及びアンテナ不確実性行列を使用する。左側の伝送線路誤差モデルは、各ＶＮＡポートから対応するアンテナ素子に接続された、同軸ケーブル及びカスケード接続されたアダプタを表す。同軸ケーブル（及びアダプタ）が、無視できる挿入損失を有する良好な伝送品質を有するので、それらのケーブル間の最大の変動は、主に、それらの曲げプロファイル及び実効物理長誤差（ΔＬ_ｉ）から生じる。すべてのケーブルの望ましい長さがＬ_０であると仮定すると、チャネルｉにおけるケーブル（アダプタを含む）の実効長は、Ｌ_０＋ΔＬ_ｉ（ΔＬ_ｉ≪Ｌ_０）として表すことができる。同時に、同じチャネルにおいて使用されるアンテナ素子及びそのバランが、所定レベルの位相遅延及び利得不確実性を有する場合であって、周波数依存の移相器θ_ｉ（ｆ）と、それにカスケード接続された周波数依存の利得Ｇ_ｉ（ｆ）を有する方向性の点源とによって表される場合を考える。このモデルにおける方向性の点源がアンテナ位相中心と同じ位置にあるので、それ自体はいかなる位相シフトにも寄与しない。

このモデルにおいて、各チャネルは３つの誤差パラメータを有し、第１の誤差は同軸ケーブル及びアダプタ（ΔＬ）から生じ、他の２つの誤差［Ｇ（ｆ），θ（ｆ）］はアンテナ素子及びそのバランから生じる。以下に説明する較正処理は、後述する画像再構成／分類処理を実施する前に、測定されたＳパラメータを補正する目的で、それらの誤差パラメータを決定する。

ステップ＃１：
各ＲＦチャネルについて、アンテナ素子に直に接触する反射物を配置することで、その放射開口を無効化して短絡反射を生成する。（開放端導波路などの開口に基づくアンテナでは、短絡構成は、割り当てられた放射開口と重複する完全Ｅの境界条件によって実装することができ、ダイポール又はボウタイなどの共振に基づくアンテナでは、短絡構成は、その給電セクションに直に接続されたビアをアンテナが共振しないようにボンディングすることによって生成することができる。）

次いで、ＮポートＶＮＡ１０４からのＳ_ｉｉデータ｛Ｓ_１１，Ｓ_２２，…，Ｓ_ＮＮ｝を記録する。この場合、次式を用いる。

であるとすると、

が得られる。

ステップ＃２：
図３ｂに概略的に示すように、イメージング領域内に均質かつ低損失の結合媒体を挿入する。この結合媒体の形状は、アンテナアレイの形状に一致するべきであり、その誘電率値は、イメージングの対象物、説明した実施形態ではヒトの頭部の平均値に近づけられるべきである。次いで、ＮポートＶＮＡ１０４を用いて、Ｓ_ｉｊ（ｆ）（ｉ≠ｊ）データを記録する。この場合、次式が得られる。

ここで、Ｕ（ｆ）は、指定された伝搬モデルにおけるアンテナ素子に係る結合係数を表し、それは個々のアンテナの特性からは独立である。それは、アンテナ相互結合とは異なる概念である。結合係数比（｜Ｕ_ｉｊ（ｆ）／Ｕ_ｊｋ（ｆ）｜）の値は、すべての点源の利得が同一である（Ｇ_１（ｆ）＝Ｇ_２（ｆ）＝…＝Ｇ_Ｎ（ｆ））と仮定することで、解析的な方法で決定され、また、理想的なシミュレーション環境において計算可能である。この場合、次式が得られる。

ここで、

は、シミュレーションから決定される係数である。

前述の較正処理は、本システムにおける互いに異なる複数のＲＦチャネル間の位相及び振幅の差を決定する。チャネル－１が基準チャネルとして指定される場合、以下に説明する変形関数を用いて、後処理アルゴリズムで使用する測定データを補正する。

ステップ３０２においてアンテナアレイのための較正データを生成すると、本システムを用いてイメージングの対象物をスキャンすることができる。処理を促進するために、図４に示すテンプレート生成処理４００を実行して、機械学習によって対象物の入力テンプレート４１６を生成する。

テンプレート生成（４００）
テンプレート生成処理４００は、ＭＲＩ及び／又はＣＴに基づく情報の多数のサンプルから学習された構造とともに、対象物に関する外部及び既知の特性に基づいて、対象物に関する内部情報を推定する。このことの目標は、説明した実施形態では、互いに異なる複数の頭部組織の空間的分布のマップを提供することにある。テンプレート生成処理４００は、図４に示すように、ステップ４０２において、本システムによってスキャンされる頭部を有する被験者について頭部の表面を表すデータ及びバイオデータを取得することで開始する。具体的には、被験者の年齢、性別、及び体重（利用可能であれば、さらに民族及び身長）がユーザによって決定されて本システムに入力される。ステップ４０６において、本システムは、被験者の頭部の外側形状を表す被験者頭部データを生成する。説明した実施形態では、このことは、図１に示すように、３Ｄカメラ１０８を用いて被験者の頭部の三次元（３Ｄ）表面を生成することで行われる。被験者の髪を寝かせておくために、かつら帽子又は類似物を使用可能である。代替として、被験者頭部データは、アンテナアレイ自体を用いて被験者の頭部の外側境界を測定することで推定可能である。

ステップ４０８において、本システムは、被験者のバイオデータ及び被験者の頭部の３Ｄスキャンされた表面を用いて、基礎テンプレートを提供する。以下の３つのオプションのうちの１つを用いて選択を行う。
１．実際の被験者の頭部の以前のスキャンをテンプレートとして用いる；
２．テンプレートライブラリを用いて、（患者のバイオデータ＆頭部の表面に基づいて）最近傍により、現在の被験者に最も近い頭部を発見する；又は、
３．（患者のバイオデータ＆頭部の表面に基づく）機械学習を用いて、最も確からしい頭部を直接的に予測する。

オプション１では、被験者の以前の脳スキャンが使用される。スキャンデータは、組織分割を実行し、次いで、組織特性の割り当て（組織分割によって識別された互いに異なる複数の組織に誘電率及び導電率の値を割り当てること）を実行することで、適切な電磁的フォーマットに変換される。

オプション２において、本システムは、対応する頭部テンプレートを、システム上にローカルに格納されるかインターネットを介して遠隔でアクセスされる頭部テンプレートのデータベースから自動的に選択する。これにより、被験者のバイオデータに最も一致するバイオデータ及び表面を含む格納された頭部テンプレートが、被験者に係る初期頭部テンプレートとして選択される。説明した実施形態では、このことは、当業者には既知である、回帰又は最近傍分類などの標準的な機械学習方法を用いて実行される。

オプション３において、発展型の機械学習モデルは、頭部の表面及びバイオデータを入力として取得し、テンプレートライブラリなしにテンプレートの頭部を直接的に学習して予測する。このことは、深層ニューラルネットワークなどの機械学習モデルをトレーニングして、頭部がとることができる値と、これらが入力に依存してどのように変化するかとを学習することで動作する。このことは、フィードフォワード深層ニューラルネットワークによって、又は、敵対的生成ネットワーク（Generative Adversarial Network：ＧＡＮ）又は変分オートエンコーダ（Variational Auto-Encoder：ＶＡＥ）などの生成モデルによって達成することができる。

テンプレートの準備
説明した実施形態では、頭部テンプレートは、モデリングのための大きなデータ源を提供するとともに、高分解能の組織分布を提供するＭＲＩデータから生成される。ＭＲＩにおいて、互いに異なる複数の強度値は、それらの磁気特性に基づいた互いに異なる複数の組織に対応する。これは、電磁イメージングのための使用可能なフォーマットに変換される必要があり、ＭＲＩからＥＭへの変換は以下のように実行される。
１）最初に、ＭＲＩ／ＣＴデータを互いに異なる複数の組織に分割する。スキャンの向き及び強度が最初に（例えばバイアス場補正（Bias Field Correction）により）正規化され、次いで、脳は脳領域及び非脳領域に分割される。次に、強度値に基づいて、また、ファジィＣ平均（Fuzzy-C-Means）クラスタリング又はＦＡＳＴなどのマルチ組織分割アルゴリズムを用いて、脳領域を３つの組織タイプ（灰白質、白質、及びＣＳＦ（cerebro-spinal fluid：脳脊髄液））に分割し、同様に、非脳領域を頭蓋骨領域及び皮膚領域に分割する。３Ｄ Ｕネットなどの深層ニューラルネットワークアプローチも使用可能であり、また、分割を改善するために複数のモダリティが利用可能である。
２）イメージングの望ましい周波数において、誘電特性のテーブルに基づいて、互いに異なる組織に組織値を割り当てる。

各テンプレートは、皮膚、頭蓋骨、脳脊髄分泌液（ＣＳＦ）、脳の白質及び灰白質を含む、頭部の様々な組織の空間的特性及び誘電特性（誘電率及び導電率の値）を定義する、ヒトの頭部の二次元又は三次元モデルを表す。これは、対応する組織の誘電特性（誘電率及び導電率）に対応する値を有する画素（２Ｄ）又はボクセル（３Ｄ）のマップを効果的に形成する。

被験者の頭部の三次元形状及び対応する基礎頭部テンプレートを決定すると、ステップ４０８において選択された基礎頭部テンプレートは、その外側表面が被験者の頭部の測定された形状に一致するように変換又は「歪曲（warp）」される。説明した実施形態では、このことは最初に、以下に説明する表面に基づく登録処理に従って、基礎頭部テンプレートと真の患者の頭部表面との間でランドマーク点を歪曲させることで行われる。

まず、患者の解剖学的なランドマーク又は「基準点（fiducial）」の部位、すなわち、鼻根点（ＮＡＳ）と、左及び右の耳介前点（left and right pre-auricular points：ＬＰＡ及びＲＰＡ）とが決定される。このことは、ディジタイザを用いて達成可能であり、又は、これらの３つの部位の上にマーカーを手動で配置してコンピュータビジョンに基づくマーカー検出を用いることで達成可能であり、又は、それらは、本システムのコンピュータインタフェースを用いて手動でラベル付けすることができる。これらの解剖学的なランドマーク又は「基準点」は、走査された表面を、正のＸ、Ｙ、及びＺがＮＡＳ、ＬＰＡ、及び頭頂をそれぞれ通過する正規化された座標に変換することを可能にする。

ランドマーク位置決め：
ＥＥＧで使用される、以下に説明するポピュラーな１０－２０又は１０－５の構成の代わりに、より密集したランドマークの集合が生成され、ここで、ランドマーク点は、基準点及び３Ｄ頭部表面に基づいて抽出される。基準点からいくつかの平面が生成され、平面及び頭部表面の間の交差がランドマーク位置を与える。選択されるランドマーク点の個数は望ましい密度及び精度に依存し、概して、点の個数がより大きくなると精度がより高くなる。このランドマーク位置決めの処理は自動的に実行される。

歪曲は、測定された頭部の解剖学的構造を予測するために、ランドマーク点を介して提示された測定された表面から、例示的な頭部に写像する処理である。説明した実施形態では、このことは薄板スプライン（Thin Plate Spline：ＴＰＳ）歪曲を用いて行われるが、他の実施形態では、代替として、弾性歪曲法（elastic warping method）が使用されてもよい。結果として生じるデータは、次いで、再サンプリングされて一様なグリッドに変換され、イメージングアルゴリズムのための適切なフォーマットに変換される（例えば、ＣＡＤモデルに変換される）。

実際の被験者から生成されたデータに対するテンプレートの使用を促進するために、テンプレート及び患者の間で一貫した座標が必要とされる（すなわち、それらを直接的に比較することができるように、ボクセルは３Ｄ空間において同じ位置にある必要がある）。説明した実施形態では、このことは、（３Ｄカメラ１０８を用いて）アンテナセンサ位置を基準点に一致させることで達成される。

「オプション３」の機械学習モデルは、頭部を予測するように反復的にトレーニングされ、また、最適化される必要のある関連付けられた誤差又はコスト関数が存在する。このコストは、機械学習モデルの予測されたテンプレートと真の患者頭部との間の差である。良好なモデルは、低コストを有するモデルを予測する。すなわち、それは、真の頭部によく類似しているテンプレート頭部を予測する。次いで、モデルは、トレーニングデータセットにはない新たな未測定の頭部に適用可能である。

前述したように正確な頭部テンプレートを生成することにより、本明細書で説明したイメージングと及び分類処理は、脳のより明確かつより高品質の画像を生成することができ、脳卒中の診断の精度を大幅に向上させる。

図３のフロー図に戻り、ステップ３０６において、本システムによって被験者の頭部がスキャンされる。すなわち、分析構成要素１０６は、アンテナプラットフォーム（ヘッドセット）１１６の内部におけるアンテナアレイのアンテナに逐次にエネルギーを与えるようにＶＮＡ１０４に命令することで、マイクロ波信号の形式の電磁波を生成して被験者の頭部に向けてかつ頭部を介して送信し、これにより、それらは被験者の頭部の内部の特徴によって散乱される可能性があり、散乱信号は、アンテナプラットフォーム１０２の内部のアンテナアレイの各アンテナによって検出され、対応する信号は、対応するＳパラメータを生成する処理のためにＶＮＡ１０４に送られる。

本明細書で説明したシステム及び処理の検出能力、画像分解能、及び精度は、アンテナアレイの性能に依存し、また、本システムのコンパクト性及び可搬性は、アンテナアレイのサイズ及び重量と、アンテナアレイを一部に含むアンテナアセンブリ１０２のサイズ及び重量とに依存する。アンテナアレイは、高い前後比（front-to-back ratio：ＦＢＲ）を有し、また、低姿勢かつコンパクトであり、広帯域かつ一方向の電磁的特性を有する個々のアンテナ素子からなるアレイである。これらの電磁的特性は、ヒトの頭部組織の中へのＥＭ波の高い浸透深さを保証し、その結果、高い信号対雑音比（ＳＮＲ）をもたらし、脳の内部における関心対象の特徴（例えば卒中）からの有用な反射信号を強める。アンテナアセンブリ１０２及び後述するイメージングアンテナのそのアレイは、これらの要件を満たす。

アンテナアレイは、可撓性のアレイ又は整合装荷導波路アレイ（matched loaded waveguide array）を含む、いくつかの形式のうちの任意の形式で提供可能である。

受信されたマイクロ波信号における強いクラッターの影響（これは、最終的な画像においてアーティファクトを生じさせる可能性がある）を回避するために、アンテナの相互結合及び頭部の皮膚／髪の反射は、誘電体を装荷したテーパー型又はコルゲート型の導波路アンテナの形式を有するアンテナを提供することにより、最小化又は少なくとも低減される。

アンテナは、それらの端部と、イメージングの対象物である頭部との間に、適切な可撓性の結合パッドを有する。さらに、それらは、損失のある非結合媒体によって、部分的又は完全に包囲されるべきである。アンテナ及び頭部の間の最良の整合のために、アンテナの内部の結合媒体と、アンテナ及び頭部の間のパッドとは、混合材料（結合媒体のためのエポキシ樹脂及びアルミニウム粉、又はポリエステル樹脂及びアルミニウム粉、ならびに、可撓性パッドのためのシアノレジン（登録商標）ＣＲ－Ｖ及びセラミック粉）から形成され、適切な誘電特性（４０－５０の誘電率、及び０．７ＧＨｚにおいて０．１未満の損失正接）を有し、これに対して、アンテナを包囲する非結合媒体は、複数の材料の混合物（シアノレジンＣＲ－Ｓ又はシアノレジンＣＲ－Ｕならびに黒鉛粉末及び炭素粉）から組成され、これにより、０．７ＧＨｚにおいて６０より高い誘電率及び１より高い損失正接を有する。周囲環境の影響から本システムをシールドするために、また、イメージングの対象物である頭部からの任意の浮遊散乱電界を吸収するために、アンテナアレイの全体は吸収体によって包囲されるべきである。アンテナアレイは固定されてもよく、又は、移動可能であってもよい。後者の場合、イメージング領域は可変なサイズを有し、この場合、データ処理及びイメージング処理のために必要とされるアンテナの正確な位置を決定するために、位置センサなどの適切なツールが使用されるべきである。

画像再構成を成功させるために、被験者の頭部のまわりに配置されたアンテナの相対位置は、散乱マイクロ波信号の対応する時間遅延を決定するために、既知である必要がある。被験者によってヘッドセットが着用される場合、アンテナアレイは、概して、被験者の頭部と等角になるが、複数のアンテナはなお、被験者の頭部に対して互いに異なる複数の向き及び距離を有してもよい。このことを考慮して、本システムは、テンプレート生成処理のステップ４０６から取得される被験者の頭部の３Ｄ輪郭と、既知のアンテナアレイ構成とを使用して、各アンテナの空間的位置及び向き、具体的には各イメージングアンテナの励振ポートの空間的位置及び向きを計算し、これは、本明細書で説明したＳパラメータ処理に提供されるアプリオリな情報を構成する。

アンテナアレイの相対距離及び向きを決定する処理は、本システムが動作させられる前にヘッドセットを正しい位置に整列させるために、ステップ４０６において発見された基準点、特に中心点、すなわち鼻根点を用いることを含む。ヘッドセットにおけるアンテナ構成の情報が既知であるので、従って、ステップ４０６において取得される３Ｄ頭部表面を用いることによって、各アンテナの相対距離と、被験者の頭部に向かうその向きとが決定される。

画像生成３０６／３０８
ステップ３０６において頭部をスキャンすると、結果として生じる散乱データは、画像生成処理３０８を用いて患者の頭部の１つ又は複数の二次元又は三次元画像を生成するように処理される。ここで、画像生成処理３０８は、レーダビームフォーミング（radar beamforming）及び断層撮影法（tomography）の利点を組み合わせたものであり、従って、本発明者らは「ビーモグラフィー（beamography）」と呼ぶ。特に、この新たな処理を使用することにより、散乱データを処理して画像を生成するのに必要な時間が削減される。このことは、緊急の状況において重要な利点である。

概して、本システムによって実行される画像生成又は「ビーモグラフィー」処理３０８は、イメージングの対象物を包囲するイメージングアンテナの測定されたマルチスタティック散乱パラメータを利用して、二次元又は三次元画像を生成する。また、それは、イメージング領域が整合媒体によって充填されているか、平均的なヒトの頭部を模擬的に表すファントムを含む場合、アンテナの測定された散乱パラメータを利用し、被験者の頭部から測定された信号を較正する。

各周波数サンプルにおける各信号から（すべての信号にわたる）平均測定値が減算される平均トレース減算法を用いることで、散乱データから強い反射及びクラッターが除去される。アプリオリな情報として、イメージングの対象である領域の各ボクセルに関して各アンテナから観測される、イメージングの対称である領域の内部の波伝搬パスの実効誘電特性は、最短パスファインダ技術と、健康な被験者の推定された誘電率モデル（テンプレート）とを用いて推定される。

処理されたデータは、次いで、対象物の推定された誘電特性を考慮することで、仮想的に、イメージングの対象である領域に逆伝搬され、領域の内部における組織の電力強度を推定する。イメージングの対象である領域の内部における散乱電力強度の空間的分布（本明細書では便宜上、「マップ」又は「プロファイル」とも呼ぶ）は、健康なテンプレート及び簡単化されたグリーン関数からの推定された誘電特性を用いることで、各周波数ステップにおいて生成される。次いで、互いに異なる複数の周波数に係る電力強度の空間的分布が重ね合わされ、イメージングの対象である領域における異常（もしあれば）を明らかにする画像を生成する。異常の誘電特性を決定するために、反復的な計算手順を用いて健康なテンプレートの誘電率値を更新し、次いで、更新された特性を用いて電力強度を再計算する。適切な精度基準を満たすまで（例えば、連続した反復における値の差がしきい値未満になったとき）、連続した反復ステップの各ペアの電力強度の比較と、誘電率マップの更新とを継続する。

ａ）較正７０２
ここで、画像生成又はビーモグラフィー処理３０８についてさらに詳細に説明する。図７に示すように、画像生成処理３０８は、ステップ７０２において、イメージング領域の測定された散乱パラメータを用いて、すなわち、被験者の頭部が存在しないとき、整合媒体又は平均頭部ファントムの誘電特性を有する材料でイメージング領域を充填して、被験者の頭部の測定された散乱パラメータを較正することで開始する。較正処理は、例えばアンテナの製造及び組み立て時における変動又は誤差に起因する、アンテナ間の任意の不整合の影響も緩和する。

較正されたデータＳ_ｍｎ ^ｃａｌは、イメージング領域における被験者の頭部からの散乱の散乱パラメータＳ_ｍｎを、背景の整合媒体（又は、ファントム頭部などの較正対象物）からの散乱パラメータＳ_ｍｎ ^ｂで除算することで、次式のように取得される。

ここで、ｍ及びｎは受信機及び送信機のインデックスであり、Ｎａはイメージングアンテナの個数を表す。

いくつかの実施形態では、次式のように、データの対数が使用される。

散乱パラメータの対数を用いることで、その実数部及び虚数部ではなく、データの振幅及び位相の差を比較できるようになる。このように、被験者の頭部の誘電特性の検索に有用である位相変動の情報が保持される。さらに、互いに異なる複数のアンテナからの散乱データが対称になり、イメージング処理の次のステップにおけるクラッター除去に適したものになる。

ｂ）クラッター除去７０４
被験者の頭部（又は、イメージングを行う他の医療対象物）の外側レイヤの誘電特性の間におけるコントラストに起因して、波の大部分が反射して送信アンテナに戻り、典型的には、これらの反射は、より深い組織から反射をマスクするのに十分な強さを有する。
従って、外側レイヤからの反射は、イメージングの対象物の内部において関心対象の特徴を検出できるようにするために、除去されるか、又は少なくとも大幅に緩和される必要がある。反射は、例えば、平均トレース減算法、空間的フィルタリング法、部分空間投影法、差動アプローチ法、又はハイブリッドクラッター除去法など、当業者に知られた標準的な方法を含む任意の適切なアプローチによって緩和することができる。説明した実施形態では、ステップ７０４において、較正されたデータから強い反射又は「クラッター」を除去するために、以下のように、平均減算法及び差動アプローチの組み合わせが利用される。

各アンテナと対象物の外側レイヤ（すなわち、被験者の頭部の皮膚）との間の距離が一定である場合、外側反射から生じる信号の寄与はすべてのアンテナについて同様であり、これらの反射は、受信信号から一定値を除去することで分離可能である。計算された平均値を受信信号から減算する平均減算処理は、このシナリオにおいて反射を効果的に緩和することができる。しかしながら、導波路アンテナでは、通常、アンテナと被験者の頭部の皮膚との間に一様な距離を提供することは実際的ではない。それにもかかわらず、以下に説明するクラッター除去処理は、皮膚に対して、０～１０ｍｍなどの同様の距離を有するアンテナからの信号に適用可能である。具体的には、アンテナ信号は、皮膚（又は、イメージングの対象物がヒトの頭部でない場合には、外側レイヤ）へのそれらの距離に基づいて分類され、各カテゴリＣｉにおけるすべての受信信号の平均が、各周波数ステップにおいて、アンテナの対応する信号から減算される。

ここで、Ｓ_ｍｎ ^ｃｒはクラッターを除去した信号を表し、Ｎｃはカテゴリの個数である。説明した実施形態のマルチスタティック構成では、クラッター除去処理は、上述の式（３）に定義されるように、較正された反射信号（Ｓ_ｎｎ ^ｃａｌ）及び伝送信号（Ｓ_ｍｎ ^ｃａｌ）に別々に適用される。このクラッター除去処理７０４は、逆散乱を行うことに代えて、被験者の頭部に対して同様の距離を有するアンテナからの信号の平均を計算することで、反射を推定する。さらに、すべての周波数ステップについて平均減算法を適用することで、この処理が、電磁波浸透深さの周波数依存性を説明することが可能になる。

ｃ）ビームフォーミング７０６
境界反射を除去することによって、イメージングの対象である領域は均質な媒体とみなすことができる。ステップ７０６において、クラッターを除去しかつ較正された散乱パラメータは、図８に示すように、周波数領域ビームフォーマを通過され、部位の関数として受信信号のイメージングを行う。図９に示すように、ビーモグラフィー処理において、イメージングの対象である領域における散乱電力強度は、マックスウェルの方程式を解くことで計算され、合計電力は、すべての周波数サンプル及びアンテナ位置にわたる計算された電力強度を合計することで推定される。健康な組織及び不健康な組織の間における有意な誘電率コントラストの帰結として、結果的に得られる画像における高エネルギーレベルの領域は、不健康な組織に対応する。

図１０において、イメージング領域の概略表現を示し、ここで、電磁波は、送信機ｎから、未知の誘電特性（導電率ε及び誘電率σ）を有する対象物に伝搬される。イメージングの対象である領域の内部における互いに異なる複数の点散乱器からの散乱電界は、次いで、イメージング領域の境界の外側において、アンテナｍによって測定される。

ビーモグラフィー処理７０６において、点散乱器ｐの位置における電界Ｅｐは、散乱器の位置における電界を推定することで計算される。その目的で、各受信アンテナにおけるターゲット応答は、入射電界と相関され、合成的に、イメージングの対象である領域に対して逆伝搬される。次いで、散乱器の位置における電界は次式のように計算される。

ここで、Ｇは、点散乱器の二次元又は三次元グリーン関数であり、ｒ＝｜ｒｎｐ｜＋｜ｒｐｍ｜は、送信アンテナから点散乱器への、次いで受信アンテナへの距離であり、γは、波が通過する媒体の伝搬定数であり、次式によって計算される。

ここで、ｊ＝√（－１）であり、ω＝２πｆは角周波数であり、μは透磁率であり、σ及びεはそれぞれ波伝搬経路の導電率及び誘電率である。

点散乱器の電界Ｅｐは散乱電界Ｅ^ｓｃａｔとは異なる。散乱電界Ｅ^ｓｃａｔは、従来の電磁推定値では、通常、入射電界から分離されている（Ｅ_ｍ＝Ｅ^ｓｃａｔ＋Ｅ^ｉｎｃ）。しかしながら、本明細書で説明した処理において、Ｅｐは、点散乱器の位置における散乱電界及び入射電界

及び

の和を表す。

散乱器ｒ（ｒ＞２Ｄ２／λ、ここで、Ｄは点散乱器の直径であり、λは、イメージングの対象である領域の内部の実効波長である）から遠距離場の距離における電界は球面波としてふるまい、一様な平面波方程式が支配される。従って、式（４）に対応するマックスウェルの方程式は次式になる。

仮説（ａｎｓａｔｚ）の動径部分Ｇ（ｒ）に対応する微分方程式は、ベッセルの微分方程式である。

ここで、複素形式の解は次式で与えられる。

これらは、第１種及び第２種のｉ次のハンケル関数であり、Ｊ及びＮはそれぞれ、第１種及び第２種のベッセル関数である。ハンケル関数は、ノイマン関数としても知られる第２種のベッセル関数の特異性の存在に起因して特異である。Ｈ_ｉ ^（１）は、散乱器から離れるように伝搬する、半径方向に対称な円筒波（散乱電界）を記述し、一方、第２種のハンケル関数Ｈ_ｉ ^（２）は、散乱器に向かって伝搬する波（入射電界）を表す。散乱器及び波伝搬経路の誘電特性の間における不整合に起因する反射波としての散乱電界を考慮すると、散乱電界及び入射電界は、同じ周波数及び振幅を有する点散乱器の位置に存在し、従って、特異ノイマン関数は重ね合せにおいてキャンセルする。従って、解は次式によって与えられる。

クラッター除去に続いて、１次（ｉ＝１）ベッセル関数は基本モードであり、最良の解を提供する。従って、点散乱器の電界は、式（１２）からのグリーン関数を式（４）に割り当てることで計算することができる。

ここで、ベッセル関数Ｊ１（γｒ）は、その多項式近似で置き換え可能である。

イメージング領域が整合媒体によって充填されている場合の点散乱器の電界Ｅ_ｐ ^ｂは、次式によっても計算可能である。

ここで、γｂは背景の伝搬定数であり、Ｓ_ｍｎ ^ｂは背景の測定された散乱パラメータである。

点散乱器の電界の計算において、散乱電界は反射波とみなされ、それは背景媒体において前進波の上に重ね合わされる。従って、散乱器に関連付けられた反射率は次式で定義することができる。

ここで、＊は結合演算を表す。従って、ｎ番目のアンテナによって送信され、ｍ番目のアンテナによって受信された波に起因する、点散乱器の位置における散乱電界は、次式で与えられる。

Ｎａ個のアンテナが送信機及び受信機の両方として動作するマルチスタティックイメージング構成では、各散乱器の位置におけるアンテナのすべてによって生成された合計の電力密度（それが画素の面積又はボクセルの体積ごとに計算されるので「密度」になる）が計算されることで、任意の異常の部位が推定される。その目的で、合計の電力密度は、対象物の周囲における互いに異なる複数の送信機及び受信機からイメージングの対象物の内部までの推定された電界を合計することで次式のように計算される。

入射分野Ｅｎは、通常、１（Ｖ／ｍ）になるように選択され、従って、それは、式（１８）の計算では無視される。別個の観測点が欠如したことを補償するために、次式のように、互いに異なる複数の周波数に係る互いに異なる複数の散乱プロファイルが重ね合わされて電磁電力画像を生成する。

ここで、Ｎａ及びＮｆはそれぞれ、アンテナ及び周波数サンプルの個数である。

点散乱器における平均電界は、次式によって計算することも可能である。

この場合、平均電界Ｅ_ａｖｇ ^ｓｃａｔの実数部、虚数部、及び／又は位相を、最終的な画像として使用可能である。

完全性のために、説明した処理は、式（１９）及び式（２０）における三重和演算子を次式のように二重和に変更することで、モノスタティック測定構成において使用可能である。

説明した処理は、イメージングの対象物の周囲において３Ｄアンテナアレイ構成を用いることで３Ｄ画像を生成することにも使用可能である。その場合、点散乱器の位置ｒｐは、イメージングの対象物の容積における３Ｄベクトルを表す。３Ｄアンテナアレイは、２Ｄイメージング平面の上方及び／又は下方により多くのアンテナリングを追加することで、又は、アンテナをｚ方向に沿って移動させて対象物全体をスキャンすることで作成可能である。いずれの構成でも、対象物の３Ｄ画像又はマルチスライス画像を生成するために内挿技術が使用される。

上述した処理は、誘電特性の詳細な画像を提供しないが、それは、誘電特性におけるコントラストの領域を示し、それは、有意な散乱器及びそれらの近似的な位置を迅速に検出するのに十分である。必要ならば、処理は、後述するように、詳細な画像を生成するように拡張可能である。

ビーモグラフィー処理７０６の重要な態様は、式（１９）及び式（２０）において使用される伝搬定数の計算に関する。伝搬モデルでは、イメージング領域の平均誘電特性を使用可能である。しかしながら、人体などの不均質な対象物のより正確な画像を生成するために、イメージング領域における誘電特性のより正確な推定された空間的分布が必要とされる。

分散的かつ不均質な環境における電磁波の多重反射及び屈折に起因して、波は互いに異なる複数の組織を通過し、イメージングの対象物に関する送信機－受信機の位置に依存して互いに異なる複数の経路をたどる。均質な環境において、この経路は、各送信機から点散乱器への、及び点散乱器から各受信機への直接的な（直線状の）経路（最短経路）として計算可能である。しかしながら、不均質な媒体において、電磁波は、最小の伝搬時間又は最小の遅延を有する経路をたどる。従って、波伝搬経路は、ステップ９０６において、イメージングの対象物の内部における最小の伝搬時間（ｔ＝γｒ／ω）を有する経路を発見し、式（１９）及び式（２０）における伝搬定数及び距離に対して必要な値を提供することで、発見可能である。その目的で、イメージングの対象物の解剖学的構造及び誘電特性を含むテンプレートが有益であると考えられる。このテンプレートは、ＭＲＩ及び／又はＣＴ装置などの他のイメージングモダリティから抽出される、イメージングの対象物の実際の健康なモデルであってもよく、又は、イメージングの対象物である３Ｄ頭部輪郭４１２を用いた近似物であってもよい。

次いで、最短パスファインダ方法を利用して、テンプレートの内部の波伝搬経路を発見する。この処理の説明した実施形態において、ダイクストラアルゴリズムが利用される。コスト関数として、ボクセルｖからその隣接したボクセルｕに伝搬する波の伝搬時間（ｔｕｖ）を定義することによって、最短パスファインダアルゴリズムは、モデルを介して最小のコスト（伝搬時間）を有する経路を発見する。その結果、送信機－受信機アンテナの各ペアから見えるイメージングの対象である領域の部位に特有の伝搬定数γｍｎ（ｒｐ）が推定される。次いで、式（１９）及び式（２０）において利用される伝搬距離パラメータγｒは、次式のように、送信機ｎから受信機ｍへの伝搬経路に沿ったすべてのボクセルのγｒｓを合計することで計算される。

ここで、γｕｖ及びｒｕｖはそれぞれ、ボクセルｖからその隣接したボクセルｕまでの伝搬定数及び距離である。従って、イメージング処理の主要な式は次式になる。

もう１つの態様は、（例えば健康な）被験者の脳組織のモデル（最初に生成されたか、初期テンプレートである）を更新して、イメージングの対象物の内部における異常の誘電特性を推定することに関する。式（２２）又は式（２３）によって生成された画像は、有意な散乱器（異常）の部位を示す。従って、初期ステップで使用される健康なモデルは、異常な部位に対応するボクセルの特性値を変化させることで簡単に更新可能である。この場合、異常な部位は、極大値の発見、しきい値処理、差動処理（後続の画像の減算）、クラスタリングなど、任意の適切な技術を用いて決定可能である。いくつかの実施形態では、しきい値処理が利用され、ここでは、式（２２）又は式（２３）によって画像のヒストグラムが生成され、ヒストグラムの標準偏差がしきい値Ｔとして得られる。次いで、異常の部位が次式によって決定される。

Ｉ（ボクセル）＞Ｔならば、ボクセル∈「不健康な組織」、そうでなければ、ボクセル∈「健康な組織」

不健康な組織の部位を発見した後、誘電体モデルは、モデルにおける異常の部位に対応するボクセルの誘電率及び導電率の値を目標物の特性値で置き換えることにより更新される。代替として、健康な組織の値を次式に従って漸増的に変化させるために最適化技術を使用可能である。

次いで、更新されるテンプレートに対して最短パスファインダ処理が実行され、部位に特有である新たな伝搬定数を計算する。次いで、新たな伝搬定数が式（２２）又は式（２３）へ代入され、対象物の新たな散乱プロファイルを推定する。この反復処理は、図９に示すように、更新された値が以前の反復におけるそれらの値に関して実質的に変化しなくなり、誤差が小さな値に達したことを示すまで繰り返される。

反復ループのための代替の停止基準は、アンテナにおける計算された電磁エネルギー及び測定された電磁エネルギーを比較することである。アンテナｎがイメージングの対象物に電界を放射する場合、それは、イメージングの対象である領域において散乱され、すべてのアンテナによって受信される。従って、対象物の周囲におけるアンテナによって受信される合計の電界は、領域における互いに異なる複数の散乱器からの散乱電界の総和である。従って、次式のように、すべてのアンテナによって測定される合計のエネルギーが、計算された散乱エネルギーと比較されることで、利用されたテンプレートと実際の測定された対象物との間におけるエネルギー不整合ΔＳを発見する。

ここで、Ｎｐは、イメージングの対象である領域における散乱点の個数である。次いで、反復処理を利用して、最適化によりエネルギー不整合ΔＳを最小化することができる。

要約すると、ビーモグラフィー処理は、図９のフロー図に示すように、以下に説明するステップによって表すことができる。

ステップ９０６：
（説明した実施形態のコンテキストでは、被験者の頭部における）健康な対象物の入力テンプレート４１６は、対象物の更新可能なモデル９０２の初期値を定義する。このモデル９０２と、被験者の頭部に関するアンテナの位置９０４とは、最短パスファインダ方法によって、対象物の部位に特有の伝搬定数を計算するように処理される。
ステップ９０８：
対象物の較正されかつクラッターを除去した散乱パラメータは、イメージング領域に逆伝搬され、イメージング領域の内部における各画素（又は３Ｄの場合にはボクセル）の電界を推定する。
ステップ９１０：
各画素（又はボクセル）における（すべてのアンテナにわたって合計した）電界電力密度が計算されて各送信周波数にわたって合計され、対象物の電力密度マップ又は画像（すなわち、対象物の内部における散乱電界電力の空間的分布を表すもの）を生成する。
ステップ９１２：
任意の異常（有意な散乱器）の画素／ボクセルの位置が（例えばしきい値処理の技術を用いることで）決定される。
ステップ９１４：
モデル９０２が複製されて、そのコピーは、異常な部位に対応する画素／ボクセルの値を置き換えることで更新される。
ステップ９１６：
２つのモデルの間に有意な差があるか否かを決定するためにテストが行われる。モデル間に有意な差があるとテストが決定した場合、処理は下のステップ９１８に分岐する。
ステップ９１８：
処理はループを戻って、ステップ９０６において、更新されたモデルを用いて伝搬定数及び距離を再計算する。

そうでない場合、現在のモデル９０２と最新の更新されたモデルとの間に有意な差が存在しないとステップ９１６のテストが決定した場合、後者は対象物のビーモグラフィー画像９２０として出力される。

ステップ９１６のテストが反復ループの終了又は抜けだし基準を定義することは明らかであり、従って、ビーモグラフィー処理７０６は反復処理である。

ステップ９１０において生成された電力密度マップは、脳における異常の部位を示す。例えば、出血性の卒中は高い強度を有して明るく見え、それに対して、血餅は、その隣接する組織に比較して、最低の強度の領域として見える。疑わしい領域の高い強度は、それが出血領域であることの指標であり、それに対して、卒中の症状が持続しながら異常なし又は低い強度であることは、血餅を示す。

被験者の頭部の最終的なビーモグラフィー画像９２０は、イメージングの対象である領域の誘電率及び／又は導電率のみを表すことができ、又はそれに代わって、含水量のような、関心対象の１つ又は複数の組織特性の部位、及び／又は、１つ又は複数の関連するラベル（例えば、組織が異常であるか、など）を定義するデータを含むように更新可能である。

ｄ）最適化
必要であれば、ビーモグラフィー処理７０６は、画像品質を損なうことなく（又は、過度に損なうことなく）実行可能であることを条件として、周波数サンプルの個数を減少させることで、その速度を向上させることができる。その目的で、復元可能なサンプリングのための最大周波数ステップ（従って、さらに、周波数サンプルの最小個数）を発見するために、周波数領域においてナイキスト定理を適用することができる。ナイキスト定理は、受信信号の時間的に制限された特徴を考慮して、周波数領域において適用される。

ナイキスト定理によれば、理論的にデータ全体を復元できるようにするために、サンプリングステップδｆは１／２τ未満になるべきである。ここで、τは、時間的に制限された信号の時間幅である。ナイキスト基準が満たされなければ（アンダーサンプリング）、データの一部は失われ、これにより、復元された信号の重複をもたらし、その結果、誤った目標物及び／又は複数の目標物を含む画像をもたらす。オーバーサンプリング（ナイキストレートより高いレートにおけるサンプリング）は、分解能を向上させ、重複を回避することができるが、測定及び処理のための追加の時間を必要とする。データ収集時間に等しい受信信号の時間幅を考慮し、また、信号帯域幅Ｂによれば、サンプルの最小個数は次式で計算可能である。

イメージング処理において最小個数のサンプルを使用することは、正確なイメージングを維持しながら、処理時間を大幅に短縮する。

本明細書で説明したビーモグラフィー処理７０６は、組織の誘電特性を推定するために非適切な逆問題を解く必要があることが通常である標準的なマイクロ波断層撮影法とは大幅に異なる。時間領域の方法（共焦点、空間－時間ビームフォーミングＭＩＳＴ、及び適応ビームフォーミングイメージング法など）と比較すると、本明細書で説明したビーモグラフィー処理７０６は、計算集約の程度は低く、その計算のすべてを周波数領域において実行し、ノイズ及び多層構造によって生じる複数の反射に対してより高い免疫性をもたらす。

被験者の頭部の最終的なビーモグラフィー画像９２０は、脳における任意の異常を示す。例えば、出血性の卒中は高い強度を有して明るく見え、それに対して、血餅は、その隣接する組織に比較して、最低の強度の領域として見える。疑わしい領域の高い強度は、それが出血であることの指標であり、それに対して、卒中の症状が持続しながら異常なし又は低い強度であることは、血餅を示す。画像は、イメージングの対象である領域の誘電率及び／又は導電率のみを表すことができ、それは、含水量のような、関心対象の１つ又は複数の組織特性の部位、及び／又は、１つ又は複数の関連するラベル（例えば、組織が異常であるか、など）を定義するデータを含むように更新可能である。

分類３１２
卒中が出血によって生じているのか、それとも血餅によって生じているのかを決定することは、その位置を決定することとともに、急性の卒中の診断及び治療において重要であり、また、卒中後の管理における主要な問題でもある。概して、電磁的頭部スキャンシステムから卒中のサブタイプを識別することは、画像再構成アルゴリズムに基づく。しかしながら、画像に基づく方法は、時間がかかり、精度が低い。以下では、電磁的スキャンシステムに適用され、虚血性脳卒中（Ischemic Stroke：ＩＳ）からの頭蓋内出血（Intracranial Haemorrhage：ＩＣＨ）を識別して卒中の部位を位置決めする新規な複雑ネットワークアプローチについて説明する。分類は、グラフ次数相互情報（graph degree mutual information：ＧＤＭＩ）を用いて、ＩＣＨ及びＩＳのグループ間の差を評価することに基づく。ここで、各被験者はマルチチャネルアンテナの受信信号からなる。各信号は、異なる信号振幅を避けるようにグラフに変換される。次いで、グラフ次数の特徴の各ペアの間における関係が、相互情報によって計算され、サポートベクトルマシンに入力されて各ＩＣＨを互いに識別する。ＩＳに係るＩＣＨを識別するとき、９５％の精度が達成される。位置決めに関して、送信機から受信機へのアンテナペアの間における強度特徴を抽出するために、重み付けられたグラフが適用される。最大の重み付けられたペアが目標物に交差する。グラフ特徴抽出及び分類又は位置決めのための実行時間は１分未満であり、これは卒中応急処置システムに適している。

１．方法の概要
図１１は、分類及び位置決めの前におけるデータ処理及び分析ステップのフロー図である。この場合、システムのワークフローの概要は、以下のように説明することができる。

１．マルチチャネル入力信号は、図１（ａ）に示すようなアンテナアレイから受信され、ここで、デフォルトのチャネル数Ｎは１６である。
２．各アンテナから受信された散乱信号は、周波数領域信号（大きさ及び位相）又は時系列であり、ここで、サンプル点の個数は７００より大きい。
３．入力がまだ時系列になっていない場合、逆ＦＦＴを用いて、これらの信号をマルチチャネル時系列に変換する。
４．次に、マルチチャネル時系列は、非特許文献１に記載されている高速加重水平可視アルゴリズム（Fast Weighted Horizontal Visibility AlgorithmＦＷＨＶＡ）を用いて、ＮｘＮ＝１６×１６＝２５６個のグラフにマッピングされる。
５．図１６（ｂ）に示すように、次数シーケンス及び重み付けられた強度シーケンスが抽出される。
６．最後に、出力特徴、すなわち次数及び強度が、分類及び位置決めにそれぞれ使用される。

図１２は、図１１の処理の後に行われる分類処理のフロー図である。図１３は、図１１の処理の後に行われる位置決め処理のフロー図である。

２．分類方法の詳細
患者が卒中であるか否かを示す出力画像９２０を補足するために、分類処理を行って、Ｓパラメータを用いて卒中のタイプを評価する。さらに、以下に説明するようなテンプレート及び融合した脳画像を用いて、精度を向上させることができる。概して、特徴は、相関、コヒーレンス、又は同期アルゴリズムによって計算され、一般的な分類器（ＳＶＭ又はランダムフォレストなど）又は深層学習ニューラルネットワークに送られ、これにより、被験者をＩＣＨ、ＩＳ、又は健康なものとして識別する。

説明した実施形態では、ステップ３１２において、複雑ネットワーク法が使用され、測定されたＳパラメータを用いて卒中のタイプを評価する。分類処理３１２は、ＩＣＨ、ＩＳ、及び健康な人物を区別するだけでなく、卒中の部位を位置決めすることができる。

図１２は、分類処理３１２のフロー図である。散乱電界データ（Ｓパラメータ）は、周波数領域においてＮ個のアンテナから収集され、Ｎ×Ｎ個の信号をもたらす。次いで、逆ＦＦＴが、Ｎ^２個の周波数領域信号をＮ^２個の時系列信号に変換する。次いで、各時系列信号（Ｘ＝ｘ_１，ｘ_２，…，ｘ_Ｔ）は、ノード／頂点（Ｖ）及びエッジ（Ｅ）からなるグラフＧ（Ｖ；Ｅ）にマッピングされる。具体的には、高速加重水平可視アルゴリズム（ＦＷＨＶＡ）を用いて、データが水平可視グラフ（horizontal visibility graph：ＨＶＧ）に変換される。ここで、各時点ｘ_ｉはグラフの頂点であり、任意の２つの点（ｘ_ｉ；ｘ_ｊ）の関係はエッジｅ_ｉ，ｊとして表される。ここで、次式を用いる。

ここで、ｅ_ｉ，ｊ＝１はエッジが存在することを示し、ゼロの値はエッジが存在しないことを示す。図１６（ｂ）は、式（１）に基づいて、第２のアンテナからＩＳを有するヒトの頭部から散乱パラメータから生成されたグラフを示す。

各グラフが構成された後で、ノード次数及び次数シーケンスの特徴は、グラフを特徴づけるために使用される。ノードｖ_ｉの次数ｄ（ｖ_ｉ）は、ｖ_ｉからの接続されたエッジの個数であり、次数シーケンス（ＤＳ）は、ノード番号の順序で連結されたグラフ次数からなるシーケンスである［ｄ（ｖ_１），ｄ（ｖ_２），…，ｄ（ｖ_Ｔ）］。例えば、図１６（ｂ）のグラフにおいて、次数ｄ（１）＝１及びｄ（２）＝２であり、一方、ＤＳ＝（１；２；３；５，…；２；１）である。

いったん、グラフが構成されると、各ペアのグラフの間において、グラフ次数相互情報が計算される。相互情報（mutual information：ＭＩ）は、ランダム変数の他のものへの相互依存性を測定するために一般的に使用される。２つの離散変数Ｘ及びＹが与えられたとき、Ｘ及びＹの相互情報は次式で与えられる。

ここで、ｐ（ｘ）はＸの確率密度であり、ｐ（ｘ，ｙ）はＸ及びＹの同時確率分布関数である。概して、Ｘ及びＹが従属変数である場合、ＭＩはより高くなる。説明した実施形態では、グラフ間の複雑な相互情報を計算する代わりに、本システムは、２つのグラフの次数シーケンスを比較する、本明細書ではグラフ次数相互情報（ＧＤＭＩ）と呼ぶ、より簡単かつより高速な方法を使用する。２つのＨＶＧ、すなわちＧｘ、Ｇｙの２つの次数シーケンスＤＳｘ、ＤＳｙが与えられたとき、２つのグラフのグラフ次数相互情報（ＧＤＭＩ）は次式のように測定される。

Ｇｘ及びＧｙが類似したものである場合、対応するＧＤＭＩ（Ｇｘ；Ｇｙ）はより高くなり、そうでなければ、Ｇｘ及びＧｙが互いに異なる場合、値はより低くなる。

グラフ次数シーケンスのすべての組み合わせが式（３）に入力された後、Ｎ^２×Ｎ^２行列が取得される。２つのグラフＧｘ及びＧｙの次数シーケンスが同じである場合、ＧＤＭＩ（Ｇｘ，Ｇｙ）＝０であり、これにより、ＧＤＭＩ行列の対角線は常にゼロである。

卒中のタイプ（出血／血餅）を分類するために、サポートベクトルマシン（support vector machine：ＳＶＭ）分類器が使用される。ＳＶＭは、アルコール中毒者及び睡眠ＥＥＧ信号に関連付けられたＨＶＧ特徴を分類するために首尾よく使用されてきた。それらは、線形、多項式カーネル、動径基底関数（radial basis function：ＲＢＦ）、又はシグモイドであってもよい異なるカーネル関数を選択することで、線形空間識別及び非線形分類の両方を行うことができる。説明した実施形態は、ＲＢＦカーネルとともにＳＶＭアルゴリズムを使用する。トレーニング集合は、最初に、マルチクラスＳＶＭを用いて、２つの卒中タイプの特徴、及びオプションで健康な場合の特徴の間における決定超平面を学習するために使用され、次いで、新たな測定から卒中タイプを分類するように適用される。

分類処理３１２は、異なる頭部サイズに対してデータを正規化するので、高速かつ信頼できる。現在、計算速度は、汎用のコンピュータを用いて、１分未満（現実の時間）である。分類処理３１２はまた、後述するように、生成された時系列及びアンテナ交差に基づいて卒中を位置決めすることができる。

３．位置決め方法の詳細
位置決めを行うために、本発明者らは、卒中を含む脳が送信信号／受信信号における不均衡を有することに注目した。頭部が主要及び短軸にわたって（すなわち、脳の左右を分離する矢状面にわたって、また、脳の前後を分離する中央冠状面にわたって）近似的に対称であると仮定すると、これらの対称線にわたる対称なアンテナペアは、健康な頭部の内部において同様の信号を有するはずである。対称なアンテナペアが互いに異なる信号を測定する場合、このことは卒中などの異常を示し、この知見を用いて位置決めを容易化することができる。

図１７は、１６素子の電磁イメージングアンテナアレイによって包囲された脳の断面図を、アンテナペア信号及び卒中１７０２とともに示す。アンテナペア（１－７）からの信号と、その対称なペア（１－１１）とは、一方の信号のみが卒中と交差するので、互いに大幅に異なる。しかしながら、１－１３及び１－５のアンテナペアは、同様の受信信号を有するはずである。最も重いペアが、卒中の目標物に交差する。１６素子のアンテナアレイが与えられたとき、脳の近似的な２つの対称軸は、アンテナ１、５、９、及び１３から発信される信号に対応する。

位置決めを行うために、重み付けられた水平可視グラフ（ｗ－ＨＶＧ）が計算される。その手順は、時系列から重み付けられていないグラフへの変換について上述したように行われるが、初期重み項が与えられ、結果として生じるグラフは、Ｇ（Ｖ，Ｅ，Ｗ）で示される。ノードｖ_ｉ及びｖ_ｊ（等価的にｘ_ｉ及びｘ_ｊ）の間のエッジｅ_ｉ，ｊの重みｗ_ｉ，ｊは、次式で定義される。

重み付けられたグラフは強度の概念により特徴付けられ、ここで、ノードｖ_ｉの強度は次式により定義される。

Ｔ個のノードを含む重み付けられたグラフの場合、その平均強度は次式で定義される。

差動加重強度は次式で定義される。

ここで、

は、アンテナ「ｉ」及び「ｊ」の間の平均強度であり、Ｏｐｐ（）は、同じアンテナｉを起点として、対称に対向するアンテナペアを示す。例えば、アンテナ１又は９から送信する場合の対向アンテナペアは、アンテナ２－１６、３－１５、及び４－１４、…を含み、アンテナ５又は１３から送信する場合の対向アンテナペアは、アンテナペア１－９、２－８、及び３－７、…を含む。現実的な実験において、アンテナアレイがよく較正されていないかもしれないことに注意する。従って、式（７）におけるバイアスは、式（８）に示すように除去することができる。

ｉ番目のアンテナから卒中の目標物と交差するアンテナペアは、以下に示す式（９）を用いて検出することができ、ここで、「％」は剰余演算子を参照する。隣接アンテナから得られる情報は、さらに離れたアンテナからの情報よりも少ないので、隣接アンテナは考慮されないということに注意する。

入力信号が脳テンプレートからの信号を含む場合、卒中の実際の位置は、幾何学的方法の計算で取得することができる。まず、４つのアンテナ位置（ｘ１，ｙ１）、（ｘ２，ｙ２）、（ｘ３，ｙ３）、及び（ｘ４，ｙ４）の点を用いて、式（１０）に基づいて、交差を計算することができる。

しかしながら、式（９）は、どちらの半球が目標物を有するのかを識別するのには十分になりえないので、血液量が左半球にあるのか、それとも右半球にあるのかを検出するための素朴なアプローチは、左半球信号からの特徴（振幅、平均次数又は強度など）を右半球からのものに対して比較することによる。しかしながら、この方法は、常に完全に対称的であるとは限らない頭部に起因して、完全な答えをまれにしか提供することができない。この困難に対処するために、本明細書で説明した処理は、対向するアンテナ５（左半球）及びアンテナ１３（右半球）のペアを用いて、交差が左にあるか、それとも右にあるかを検出する。関連する処理ステップは以下のように説明することができる。

（ａ）式（１０）及び式（１１）に基づいて左の交点（Ｌ０（ｌｘ，ｌｙ））を計算する。
（ｂ）式（１０）及び式（１１）に基づいて右の交点Ｒ０（ｒｘ，ｒｙ）を計算する。
（ｃ）アンテナ５から、第１３のアンテナでない右側におけるアンテナＲ１に対して線分を描く。この線分は、第１３のアンテナから離れたＬ０に対して最小距離を有する。
（ｄ）Ｌ０及びＲ０から遠く離れたアンテナ５への線分を有する、Ｒ１の隣接アンテナＲ２を取り上げる。
（ｅ）第５のアンテナからＲ１及びＲ２への差動加重ノードｗ５ｒをそれぞれ計算する。ここで、ｗ５_ｒ＝｜Ｓ５ｒ１－Ｓ５ｒ２｜である。
（ｆ）同様にアンテナ１３についてステップｃ～ｅを実行し、第１３のアンテナから２つの隣接したアンテナＬ１及びＬ２への差動加重ノードｗ１３をそれぞれ取得する。
（ｇ）ｗ５_ｒ＞ｗ１３_ｌである場合、交差は左半球にあり、そうでなければ右半球にある。

図２１は、複数のアンテナによって包囲された被験者の頭部の横断面を上から見た概略図であって、処理ステップ（ａ）～（ｇ）を示す図である。（５，Ｒ１，Ｒ２）の間における差動加重ノードは、（１３，Ｌ１，Ｌ２）の間における差動加重ノードとは大幅に異なり、出血位置（Ｌ０又はＲ０）に係る２つの潜在的な候補を提供する。上述したステップの後に、出血が左半球（Ｒ０ではなくＬ０）に位置していると決定されてもよい。

図１９は、位置決め処理のフローチャートである。位置決め処理の出力は、アンテナペア及びそれらの各割り当てられた重みを含む集合である。各重みは、卒中などの異常を通過する信号の可能性に対応し、より大きな値は、アンテナペア間の信号が高確率で卒中を通過することを示す。従って、位置決め処理は、異常と交差する信号を有するアンテナペアを決定することができ、これは、臨床医が脳テンプレート内において実際の位置を決定するために使用可能である。

信号に脳テンプレートを組み合わせることによって、卒中の実際の位置は、幾何学的方法を用いて計算可能である。高い差動加重ノード値ＤＷに従って異常を含む２つの独立したアンテナペアが与えられたとき、ペア間の交差が決定されて卒中／異常を位置決めする。すなわち、卒中の部位は、位置（ｘ１，ｙ１）及び（ｘ２，ｙ２）におけるアンテナペア間の直線と、位置（ｘ３，ｙ３）及び（ｘ４，ｙ４）におけるアンテナペア間の直線との交差点として見つけることができる。この交差法は、３つのアンテナペアのための実施例に係る、図１９に示すような追加のアンテナペアに拡張可能である。位置決めの出力は、脳テンプレートと、高度に重み付けられたアンテナペアとの集合に基づく脳で実際の位置である。

局所エリア断層撮影３１４
最終的な検証として、ステップ３１４における局所エリア断層撮影のために、融合画像３１０を初期画像として用いて、微分方程式断層撮影法を使用可能である。具体的には、「断層撮影イメージングシステム及び処理（A tomographic imaging system and process）」と題する特許文献１に記載された微分方程式断層撮影処理を用いて、異なる周波数においてビーモグラフィー処理３０８によって識別された疑わしい領域の正確な誘電特性を決定し、次いで、これらの決定された特性を用いて異常のタイプを決定する。例えば、より高い誘電特性（主として誘電率）は出血を示し、それに対して、より低い値は血餅を示す。説明した処理では、融合画像は、微分方程式断層撮影処理によって決定された疑わしい領域のより正確な誘電特性を含むように更新される。

特許文献１に記載されたように、標準的な積分に基づくマイクロ波断層撮影法は、主としてグリーン関数の必要性に起因して、計算上の制限による影響を受ける。それらの制限は、卒中の検出において緊急の医療要件が求められるときに重要な要件となる、画像再構成処理の高速化を妨げる。これらの制限に対処するために、通常、有意な近似が利用される。それらの近似は、イメージングアンテナを点源とみなし（このことは、問題を劣決定にする）、領域の座標軸のうちの１つに沿った均質性を仮定し、背景整合媒体を必要とすることを含む。これらの近似は、所定レベルの誤差を有する二次元画像のみの再構成をもたらす。前述した制限及び結果として生ずる挑戦を緩和するために、このプロジェクトでは、波及び第３のマクスウェル方程式に対して確立される、微分方程式に基づくマイクロ波断層撮影法が利用される。提案した方法は、グリーン関数及びその対応する制限からは独立である。本方法は、線形及び決定論的問題を解くことにより、上述した近似に必要とすることなく、真の三次元画像を迅速に再構成することができる。

結果として生じる分類が、分類器３１２によって与えられるものとは異なる場合、信頼できる決定を行うために、当業者に知られた「矛盾による証明」の方法が適用される。この方法により断層撮影処理が再び実行されるが、今回は分類器出力から開始する。局所エリア断層撮影の２回目の実行におけるコスト関数の収束レートは、初期収束レートに関して比較され、これは第１の異なる答えをもたらす。より低い誤差度に達する収束レートは、おそらくは、正確な診断である。しかしながら、両方の方法が同じ誤差レベルに収束する場合、ニュートン法、共役勾配法、又はコントラストソース法など、他の最適化方法が使用される。いずれにせよ、決定は、後述するように、変形された積分断層撮影処理３１６を用いて検証される。

大域的断層撮影３１６
まず、ステップ３１６において、変形された積分に基づく断層撮影法に基づく大域的断層撮影処理が初期脳テンプレートに対して適用され、疑わしい領域を含む脳全体にわたる誘電特性を検証する。

従来技術の積分に基づく断層撮影方法は、それらがボルン近似法に基づくのか、ニュートン反復法（歪みボルン近似法）に基づくのか、それともコントラストソース反転法（contrast source inversion：ＣＳＩ）に基づくかに依存して、３つのタイプへ分類可能である。高い精度及び低い計算コストという望ましい特性に起因して、ＣＳＩに基づく方法は、ＥＭ断層撮影のためにより多くの関心を集めている。従来のＣＳＩ法は２つの最適化ステップを含み、最初のステップでは、コントラストソースを最適化し、それに対して、第２のステップでは、ステップ１からの最適なコントラストソースに基づいてコントラスト関数を最適化する。最適なコントラスト関数は、イメージングエリアの誘電率及び導電率の情報を供給し、これが必要とされる最終的な解である。

ＣＳＩに基づく方法に関する多数の研究に基づいて、本発明者らは、ステップ１におけるコントラストソースの最適化が、ステップ２におけるコントラスト関数の最適化よりずっと容易であることを発見した。従って、本明細書で説明した処理において、共役勾配法を用いてコントラストソースのみが最適化される。最適なコントラストソースが取得された後、脳テンプレートを使用することで、ＦＤＴＤ／ＭＯＭ順方向ソルバを用いて合計電界を計算する。コントラストソースはコントラスト関数及び合計電界の積であるので、計算された電界を用いて、最適化されたコントラストソースからコントラスト関数を抽出することができる。

この方法の定式化及び手順は以下のように要約できる。

１．共役勾配法を用いてコントラストソースを再構成する。

ここで、ｗはコントラストソースであり、Ｇはグリーン関数であり、Ｓは受信信号（Ｓパラメータ）である。
２．脳テンプレート及びＦＤＴＤ／ＭｏＭソルバを用いて合計電界を計算する。

ここで、Ｅ_ｔｏｔは電界であり、ｆ_{ＦＤＴＤ／ＭｏＭ}（＊）はＦＤＴＤ又はＭｏＭソルバであり、χ_ｔｅｍｐは脳テンプレートである。
３．ｗ及びＥ_ｔｏｔを用いて脳のコントラスト関数を抽出する。

ここで、χは、誘電率及び導電率の情報を含む、脳のコントラスト関数である。

説明した処理は３つの主要な利点を提供する。

１．コントラスト関数の最適化と比較して、コントラストソースの最適化は、より高速かつより高精度に収束する。
２．脳テンプレートを用いて計算された合計電界は、概して、異常な組織（例えば出血又は血餅）が現れるときの電界を表すために使用可能である。従って、卒中シナリオでは電界の最適化は不要である。
３．コントラストソース及び脳テンプレートの電界を用いることによるコントラスト関数の抽出は、簡単かつ安定である。

上述した方法は、脳の電気的な特性を再構成するために単一の周波数を用いる。しかしながら、生体組織の分散的な特徴に起因して、マルチ周波数の方法は、生体組織の電気的特性に関してより多くの情報を供給する。従って、本発明者らは、複数の周波数に基づく大域的断層撮影方法も開発した。具体的には、後述するように、複数の周波数に基づく４つの方法が開発されている。

１．差動和及び平均法（Differential Sum-and-Mean Method：ＤＳＭＭ）
第１の方法は、互いに異なる複数の周波数における再構成された導電率を合計して平均値を計算することにある。周波数ｆ_ｎにおける各画素の再構成された差動コントラストが、

で示されると仮定し、ここで、

は次式で計算される。

ここで、χ_ｔｅｍｐは脳テンプレートのコントラストである。次いで、互いに異なる複数の周波数における再構成された差動コントラストの平均値は、次式で計算される。

ここで、Ｎは周波数サンプルの個数である。

２．相関係数法（Correlation Coefficient Method：ＣＣＭ）
説明される相関係数法は、信号の２つの集合の類似性を推定するために使用可能である。１に近い相関係数の値は、元の信号との高い類似性を示し、それに対して、０に近い値は非類似性を示す。本方法は、患者の再構成された導電率分布とテンプレートとの間の相関係数マップを計算する。卒中を含む領域は、高い非類似性（低い相関係数）を示し、卒中なしの領域は、高い類似性（高い相関係数）を示す。再構成されたコントラスト分布に係る相関係数は次式で計算される。

ここで、ｓ及びｓ_ｔｅｍｐは、患者及びテンプレートについて、互いに異なる複数の周波数における再構成されたコントラストの標準偏差であり、μ及びμ_ｔｅｍｐは、互いに異なる複数の周波数における再構成されたコントラストの平均値である。

３．差動エントロピーに基づく方法（Differential Entropy-based Method：ＤＥＭ）
エントロピーは、ランダム変数の不確実性の尺度である。実験の複数の結果の蓋然性が互いに等しい場合（言いかえると、確率分布が一様である場合）、エントロピーの最大値が得られる。逆に、最小のエントロピー値は、所定のイベントが発生したことを意味する。従って、エントロピー値は、信号の２つの集合間の類似性を測定することにも使用可能である。患者の再構成されたコントラストと、対応するテンプレートの頭部との間における低いエントロピー値は、卒中領域を意味し、それに対して、高いエントロピー値は、通常の領域を意味する。本明細書で説明したシステムによって使用される方法では、レーニイ（Renyi）エントロピーは次数５０とともに使用される。差動コントラストのレーニイエントロピーは次式で計算される。

ここで、

は、正規化された再構成されたコントラストであり、次式で計算される。

４．ハイブリッド法
上述したＤＳＭＭ、ＣＣＭ、及びＤＥＭを用いる結果に基づいて、本発明者らは、これらの異なる方法がそれら自体の長所及び短所を有することを発見した。特に、ＤＳＭＭは、望ましい形状の再構成を行って卒中を位置決めすることができるが、ＣＣＭ及びＤＥＭからの結果と比較した場合、アーティファクトクラスタは深刻である。ＣＣＭはアーティファクトクラスタを除去することができるが、卒中の位置はシフトする可能性があり、従って、正確な位置決めを達成することができない。最後に、ＤＥＭは、アーティファクトクラスタを抑制しながら、卒中を正確に位置決めすることができるが、卒中領域の形状は歪みの影響を受ける。上述したことを考慮して、本発明者らは、各方法の利点を提供できるように、これらの３つの方法を組み合わせるハイブリッド方法を開発した。これらのハイブリッド方法のうちで最も簡単なものは、各方法で達成された結果を合計し、次式に従ってハイブリッド画像を提供することにある。

画像融合３１０
図３のフロー図に戻ると、脳卒中又は外傷の診断を支援するシステムから単一の出力画像を提供するために、ステップ３１０において、画像融合処理３１０は、被験者の頭部の合成画像を生成する。図２０に示すように、融合処理は、頭部テンプレートと、ビーモグラフィー画像と、マルチ周波数レーダ／断層撮影に基づく画像との相補的な特徴を組み合わせる。融合は、頭部テンプレートの頭部境界及び高分解能の詳細を、ビーモグラフィーの目標検出と、断層撮影に基づく方法の誘電特性推定／改善と組み合わせることを可能にする。

画像融合のために、いくつかの技術を使用可能である。１つの方法は、ウェーブレット又はマルチスケール特徴に基づいて複数の画像を組み合わせることを含む。マルチスケール変換に基づく融合では、マルチスケール変換を用いて、１つの画像の高周波成分（「エッジ」など、画像の有用な詳細部分に関連する）が抽出され、次いで、（例えば、置換、追加、又は選択法を用いて）他の画像と組み合わされて融合画像を生成する。他の方法は、画像内の特徴を処理してどれが維持すべき有用な特徴であるかを決定するように、機械学習モデルをトレーニングすることに基づく。このことは、人工ニューラルネットワーク（artificial neural network：ＡＮＮ）などのモデルを用いて達成可能である。画像融合のために、他の多数のアプローチが存在する。各融合方法は、融合処理に好都合であるそれ自体の利点を有する。例えば、マルチスケール変換に基づく方法は、マルチスペクトル画像に適したものであり、より詳細な特徴を含むより良好な周波数分解能の出力を生成する。ＡＮＮは、複雑な計算上の努力を用いることなく画像を融合させるそれらの能力に起因して、画像融合にとって魅力的である。しかしながら、単一技術の使用は、分解能の制限又は高品質トレーニングデータの必要性などに起因して望ましくない可能性がある。従って単一の方法を用いることで有望な結果を生成しながら、様々な技術の利点を組み合わせる方法は、より有効な融合のために望ましい。

本明細書で説明したシステムにおいて、画像融合のハイブリッド処理が好ましくは使用され、これは、いくつかの異なる融合方法を用いて画像を処理し、重要な特徴を抽出し、互いに異なる複数の頭部イメージングモダリティ（すなわち、ビーモグラフィー、断層撮影法）からノイズを除去する。次いで、互いに異なる個々の融合技術からの結果が組み合わされて融合画像を構築する。統合処理は、様々な方法からの結果を組み合わせて、また、最終的な融合画像が各融合アプローチの長所を受け継ぐことを保証する。それは、元の画像に比較して、融合画像の品質を定量的かつ定性的に向上させる。さらに、融合画像の精度をさらに向上させるために、この融合戦略では、患者に特有の頭部テンプレートも使用される。ビーモグラフィー及び断層撮影法からの入力が、電磁信号によって照射される内部組織の情報を示しているが、頭部テンプレートは、患者の実際の３Ｄ頭部表面に基づいて外側頭部レイヤの情報を提供する。より重要なこととして、テンプレートは、脳組織の相対的な分布も含む。従って、それは、最終的な融合画像における内部脳組織の視覚的表現を向上させるために、ビーモグラフィー及び断層撮影法から抽出された特徴と組み合わせて使用可能である。

当業者には、本発明の範囲から離れることなく、多数の変更が明らかになるであろう。

Claims (12)

1. 医療用イメージングのための処理であって、上記処理は、
   （ｉ）医療用イメージングシステムの少なくとも１つのプロセッサによって、互いに異なる複数の信号周波数において、被験者の身体部分の組織から、電磁信号の散乱のモノスタティック又はマルチスタティックな周波数領域の測定値を表す散乱データを受信することを含み、上記電磁信号は１つ又は複数のアンテナから放射され、対応する散乱信号は上記１つ又は複数のアンテナによって測定され、
   上記処理は、
   （ｉｉ）上記少なくとも１つのプロセッサによって、上記被験者の身体部分の内部における組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の信号周波数のそれぞれについて、上記散乱データを処理して電界電力値を計算することと、
   （ｉｉｉ）上記少なくとも１つのプロセッサによって、上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力値を上記複数の信号周波数及び上記複数のアンテナにわたって合計して、上記身体部分の内部における組織の画像を生成することと、
   （ｉｖ）上記少なくとも１つのプロセッサによって、上記身体部分の内部における組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新することとを含み、
   上記更新されたモデルは、上記被験者の身体部分の内部における組織の画像として出力される、
   医療用イメージングの処理。
2. 上記測定はマルチスタティック測定であり、上記電磁信号は、上記身体部分の周囲に配置された複数のアンテナのそれぞれから選択的に放射され、上記対応する散乱信号は、上記複数のアンテナのそれぞれによって測定される、
   請求項１記載の処理。
3. 上記身体部分は頭部であり、上記組織は上記被験者の脳組織を含む、
   請求項１又は２記載の処理。
4. 上記処理は、上記少なくとも１つのプロセッサによって、
   （ｖ）機械学習を用いて上記被験者のバイオデータを処理して、テンプレートのライブラリから、上記被験者に最も一致したものとして基礎テンプレートを選択することを含み、上記テンプレートは、各被験者の身体部分の組織の各モデルを表し、上記被験者のバイオデータは、少なくとも、上記被験者の年齢、性別、体重、及び民族を表し、
   上記処理は、上記少なくとも１つのプロセッサによって、
   （ｖｉ）上記選択された基礎テンプレートと、上記被験者の身体部分の外部寸法及び／又は形状の測定値とを処理して、上記被験者の身体部分の測定値と一致するように上記選択されたテンプレートの空間座標を幾何学的に変換することにより、上記被験者の身体部分の組織のモデルを表すテンプレートデータを生成することを含む、
   請求項１～３のうちのいずれか１つに記載の処理。
5. 上記散乱データを処理するステップは、上記少なくとも１つのプロセッサによって、
   （ｖｉｉ）上記散乱データを正規化し、上記散乱データからクラッターを除去するステップと、
   （ｖｉｉｉ）上記正規化されてクラッターを除去した散乱データを処理して、上記電界電力値を計算するステップとを含む、
   請求項１～４のうちのいずれか１つに記載の処理。
6. 上記散乱データからクラッターを除去することは、上記少なくとも１つのプロセッサによって、上記測定された電磁信号の平均値を決定し、各信号周波数において各信号測定値から上記平均値を減算することで、上記散乱データから強い反射及びクラッターを除去することを含む、
   請求項５記載の処理。
7. 上記少なくとも１つのプロセッサによって、上記身体部分なしの場合におけるイメージング領域であって、整合媒体の誘電特性を有する材料又は平均身体部分ファントムによって充填されたイメージング領域の測定された散乱パラメータにより、上記身体部分の測定された散乱パラメータを除算することで、上記散乱データを較正することを含む、
   請求項１～６のうちのいずれか１つに記載の処理。
8. 上記処理は、上記少なくとも１つのプロセッサによって、
   上記周波数領域の信号を時間領域の信号に変換し、上記複数のアンテナのそれぞれについて、対応する上記時間領域の信号を対応するグラフにマッピングし、上記グラフのノード次数及び次数シーケンス特性を決定することと、
   上記複数のアンテナのうちの対称に位置したアンテナの各ペアについて、対応するグラフ次数相互情報を計算して対応する複数のグラフの類似性を評価することと、
   上記被験者の身体部分の内部における組織について計算された上記グラフ次数相互情報に対して、トレーニングされた分類器を適用し、上記身体部分の内部における異常な組織を出血性又は虚血性として分類することをさらに含む、
   請求項１～７のうちのいずれか１つに記載の処理。
9. 上記少なくとも１つのプロセッサによって、互いに対向したアンテナの対応するペアに係る信号を比較することで、上記被験者の脳の互いに異なる半球の信号間の有意な差であって、上記半球のうちの一方における異常を示す差を識別することを含む、
   請求項１～８のうちのいずれか１つに記載の処理。
10. 入力及び画像生成構成要素を含む医療用イメージングのための装置であって、
    （ｉ）上記入力は、互いに異なる複数の信号周波数において、被験者の身体部分の組織から、電磁信号の散乱のモノスタティック又はマルチスタティック測定値を表す散乱データを受信し、上記電磁信号は１つ又は複数のアンテナから放射され、対応する散乱信号は上記１つ又は複数のアンテナによって測定され、
    （ｉｉ）上記画像生成構成要素は、
    上記被験者の身体部分の内部における組織の複数の散乱部位のそれぞれにおいて、かつ、上記複数の信号周波数のそれぞれについて、上記散乱データを処理して電界電力値を計算し、
    上記複数の散乱部位のそれぞれについて、当該散乱部位における上記計算された電界電力値を上記複数の信号周波数及び上記複数のアンテナにわたって合計して、上記身体部分の内部における組織の画像を生成し、
    上記身体部分の内部における組織のモデルを、当該モデルと上記生成された画像との比較に基づいて、終了基準が満たされるまで反復的に更新するように構成され、
    上記更新されたモデルは、上記被験者の身体部分の内部における組織の画像として出力される、
    医療用イメージングのための装置。
11. 上記測定はマルチスタティック測定であり、上記電磁信号は、上記身体部分の周囲に配置された複数のアンテナのそれぞれから選択的に放射され、上記対応する散乱信号は、上記複数のアンテナのそれぞれによって測定される、
    請求項１０記載の装置。
12. 上記装置は、
    機械学習を用いて上記被験者のバイオデータを処理して、テンプレートのライブラリから、上記被験者に最も一致したものとして基礎テンプレートを選択し、
    上記選択された基礎テンプレートと、上記被験者の身体部分の外部寸法及び／又は形状の測定値とを処理して、上記被験者の身体部分の測定値と一致するように上記選択されたテンプレートの空間座標を幾何学的に変換することにより、上記被験者の身体部分の組織のモデルを表すテンプレートデータを生成するように構成されたテンプレート生成器を含み、
    上記テンプレートは、各被験者の身体部分の組織の各モデルを表し、上記被験者のバイオデータは、少なくとも、上記被験者の年齢、性別、体重、及び民族を表す、
    請求項１０又は１１記載の装置。

Images